python爬虫环境1

转载 https://cuiqingcai.com/5052.html

1.1 python3安装

　　 配置环境变量；随后点击“新建”，新建一个条目，将刚才复制的C:\Python36复制进去。这里需要说明的是，此处的路径就是你的Python 3安装目录，请自行替换。然后，再把C:\Python36\Scripts路径复制进去

　　 添加别名

上面这两种安装方式任选其一即可完成安装，但如果之前安装过Python 2的话，可能会导致版本冲突问题，比如在命令行下输入python就不知道是调用的Python 2还是Python 3了。为了解决这个问题，建议将安装目录中的python.exe复制一份，命名为python3.exe，这样便可以调用python3命令了。实际上，它和python命令是完全一致的，这样只是为了可以更好地区分Python版本；在“开始”菜单中搜索cmd，找到命令提示符，此时就进入命令行模式了。输入python，测试一下能否成功调用Python。如果添加了别名的话，可以输入python3测试，就调用了python3

1.2 请求库的安装

　　爬虫可以简单分为几步：抓取页面、分析页面和存储数据，用到一些Python库来实现HTTP请求操作；用到的第三方库有Requests、Selenium和aiohttp等

1.2.1 request的安装

　　安装方式 1 wheel 安装是Python的一种安装包，其后缀为.whl，在网速较差的情况下可以选择下载wheel文件再安装，然后直接用pip3命令加文件名安装即可，下载对应的库的whl文件，切换到相应的目录执行 wheel文件目录，利用pip安装即可 如 pip3 install requests-2.17.3-py2.py3-none-any.whl

　　pip 安装  命令行下执行  pip install requests

　　源码安装  git clone git://github.com/kennethreitz/requests.git   ；cd request  执行 python3 setup.py install即可安装

1.2.2 selenium 的安装

　　pip install selenium

1.2.3 ChromeDriver驱动的配置

　　安装ChromeDriver。因为只有安装ChromeDriver，才能驱动Chrome浏览器完成相应的操作,下载浏览器对应版本号的ChromeDriver，可以直接将chromedriver.exe文件拖到Python的Scripts目录下；配置完成后，就可以在命令行下直接执行chromedriver命令进行测试；弹出如下

　　Starting ChromeDriver 2.31.488763 (092de99f48a300323ecf8c2a4e2e7cab51de5ba8) on port 9515

　　Only local connections are allowed.

　　最新的Chrome浏览器版本已经支持无界面模式了

1.2.4 GeckoDriver安装

　　同ChromeDriver；配置完成后，就可以在命令行下直接执行geckodriver命令测试，会弹出相关提示

1.2.5  PhantomJS   最新的Chrome浏览器版本已经支持无界面模式了

1.2.6 aiohttp

　　Requests库是一个阻塞式HTTP请求库，当我们发出一个请求后，程序会一直等待服务器响应，直到得到响应后，程序才会进行下一步处理。其实，这个过程比较耗费资源。如果程序可以在这个等待过程中做一些其他的事情，如进行请求的调度、响应的处理等，那么爬取效率一定会大大提高。

aiohttp就是这样一个提供异步Web服务的库，从Python 3.5版本开始，Python中加入了async/await关键字，使得回调的写法更加直观和人性化。aiohttp的异步操作借助于async/await关键字的写法变得更加简洁，架构更加清晰

pip3 install aiohttp

官方还推荐安装如下两个库：一个是字符编码检测库cchardet，另一个是加速DNS的解析库aiodns。安装命令如下：

pip3 install cchardet aiodns

1.3 解析库

　　抓取网页代码之后，下一步就是从网页中提取信息。提取信息的方式有多种多样，可以使用正则来提取，但是写起来相对比较烦琐。这里还有许多强大的解析库，如lxml、Beautiful Soup、pyquery等。此外，还提供了非常强大的解析方法，如XPath解析和CSS选择器解析等，利用它们，我们可以高效便捷地从网页中提取有效信息

1.3.1 lxml

　　lxml是Python的一个解析库，支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高

　　windows 安装  pip3 install lxml

1.3.2 Beautiful Soup

　　是Python的一个HTML或XML的解析库，我们可以用它来方便地从网页中提取数据。它拥有强大的API和多样的解析方式

　　Beautiful Soup的HTML和XML解析器是依赖于lxml库的，所以在此之前请确保已经成功安装好了lxml库

　　pip3 install beautifulsoup4

　　我们虽然安装的是beautifulsoup4这个包，但是在引入的时候却是bs4。这是因为这个包源代码本身的库文件夹名称就是bs4，所以安装完成之后，这个库文件夹就被移入到本机Python3的lib库里，所以识别到的库文件名就叫作bs4。

1.3.3

　　pyquery同样是一个强大的网页解析工具，它提供了和jQuery类似的语法来解析HTML文档，支持CSS选择器

　　pip3 install pyquery

1.3.4

　　OCR，即Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容；tesserocr是Python的一个OCR识别库，但其实是对tesseract做的一层Python API封装，所以它的核心是tesseract。因此，在安装tesserocr之前，我们需要先安装tesseract

　　https://cuiqingcai.com/5189.html

　　pip3 install tesserocr pillow  

1.4  数据库

　　为数据存储的重要部分，数据库同样是必不可少的，数据库可以分为关系型数据库和非关系型数据库

　　关系型数据库如SQLite、MySQL、Oracle、SQL Server、DB2等，其数据库是以表的形式存储，非关系型数据库如MongoDB、Redis，它们的存储形式是键值对，存储形式更加灵活

　　mysql 的安装

1.4.2 mongodb数据库

　　https://cuiqingcai.com/5205.html

　　1 下载mongodb msi 安装包直接安装

　　2 安装成功之后，进入MongoDB的安装目录，此处是C:\MongoDB\Server\3.4，在bin目录下新建同级目录data

　　3 然后进入data文件夹，新建子文件夹db来存储数据目录　

　　4 之后打开命令行，进入MongoDB安装目录的bin目录下，运行MongoDB服务   mongod --dbpath "C:\MongoDB\Server\3.4\data\db"　；cmd会出现相关信息

　　5 在“开始”菜单中搜索cmd，找到命令行，然后右击它以管理员身份运行即可。

　　随后新建一个日志文件，在bin目录新建logs同级目录，进入之后新建一个mongodb.log文件，用于保存MongoDB的运行日志

　　6 cmd 执行 mongod --bind_ip 0.0.0.0 --logpath "C:\MongoDB\Server\3.4\logs\mongodb.log" --logappend --dbpath "C:\MongoDB\Server\3.4\data\db" --port 27017 --serviceName "MongoDB" --serviceDisplayName "MongoDB" --install

　　7 这里的意思是绑定IP为0.0.0.0（即任意IP均可访问），指定日志路径、数据库路径和端口，指定服务名称

　　8 如果没有出现错误提示，则证明MongoDB服务已经安装成功，可以在服务管理页面查看到系统服务

　　9 然后就可以设置它的开机启动方式了，如自动启动或手动启动等，这样我们就可以非常方便地管理MongoDB服务了。

　　 10 启动服务后，在命令行下就可以利用mongo命令进入MongoDB命令交互环境了，如图1-38所示。

1.4.3 redis

　　Redis是一个基于内存的高效的非关系型数据库

　　下载地址   https://github.com/MSOpenTech/redis/releases

　　在系统服务页面里，可以观察到多了一个正在运行到Redis服务

　　安装后，直接连接本地Redis即可

1.5  数据库想要和Python交互的话，还需要安装一些Python存储库，如MySQL需要安装PyMySQL，MongoDB需要安装PyMongo

1.5.1  pymysql

　　pip3 install pymysql

1.5.2  mongodb

　　pip3 install pymongo

1.5.3  redis　　

　　对于Redis来说，我们要使用redis-py库来与其交互

　　pip3 install redis

1.5.4  RedisDump

　　RedisDump是一个用于Redis数据导入/导出的工具，是基于Ruby实现的，所以要安装RedisDum

1.6  web库

　　在本书中，我们主要使用这些Web服务程序来搭建一些API接口，供我们的爬虫使用。例如，维护一个代理池，代理保存在Redis数据库中，我们要将代理池作为一个公共的组件使用，那么如何构建一个方便的平台来供我们获取这些代理呢？最合适不过的就是通过Web服务提供一个API接口，我们只需要请求接口即可获取新的代理，这样做简单、高效、实用