在本章中,让无涯教程学习可用于Web抓取的各种Python模块。
虚拟环境
Virtualenv是用于创建隔离的Python环境的工具。借助virtualenv,可以创建一个文件夹,其中包含使用Python项目所需的软件包所需的所有可执行文件。它还允许添加和修改Python模块,而无需访问全局安装。
您可以使用以下命令安装 virtualenv -
(base) D:\ProgramData>pip install virtualenv Collecting virtualenv Downloading https://files.pythonhosted.org/packages/b6/30/96a02b2287098b23b875bc8c2f58071c3 5d2efe84f747b64d523721dc2b5/virtualenv-16.0.0-py2.py3-none-any.whl (1.9MB) 100% |¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 1.9MB 86kB/s Installing collected packages: virtualenv Successfully installed virtualenv-16.0.0
现在,需要创建一个目录,该目录将在以下命令的帮助下代表项目:
(base) D:\ProgramData>mkdir webscrap
现在,在以下命令的帮助下进入该目录-
(base) D:\ProgramData>cd webscrap
现在,无涯教程需要初始化选择的虚拟环境文件夹,如下所示:
(base) D:\ProgramData\webscrap>virtualenv websc Using base prefix 'd:\\programdata' New python executable in D:\ProgramData\webscrap\websc\Scripts\python.exe Installing setuptools, pip, wheel...done.
现在,使用下面给出的命令激活虚拟环境。成功激活后,您将在括号的左侧看到其名称。
(base) D:\ProgramData\webscrap>websc\scripts\activate
可以在此环境中安装任何模块,如下所示:
(websc) (base) D:\ProgramData\webscrap>pip install requests Collecting requests Downloading https://files.pythonhosted.org/packages/65/47/7e02164a2a3db50ed6d8a6ab1d6d60b69 c4c3fdf57a284257925dfc12bda/requests-2.19.1-py2.py3-none-any.whl (9 1kB) 100% |¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 92kB 148kB/s Collecting chardet<3.1.0,>=3.0.2 (from requests) Downloading https://files.pythonhosted.org/packages/bc/a9/01ffebfb562e4274b6487b4bb1ddec7ca 55ec7510b22e4c51f14098443b8/chardet-3.0.4-py2.py3-none-any.whl (133 kB) 100% |¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 143kB 369kB/s Collecting certifi>=2017.4.17 (from requests) Downloading https://files.pythonhosted.org/packages/df/f7/04fee6ac349e915b82171f8e23cee6364 4d83663b34c539f7a09aed18f9e/certifi-2018.8.24-py2.py3-none-any.whl (147kB) 100% |¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 153kB 527kB/s Collecting urllib3<1.24,>=1.21.1 (from requests) Downloading https://files.pythonhosted.org/packages/bd/c9/6fdd990019071a4a32a5e7cb78a1d92c5 3851ef4f56f62a3486e6a7d8ffb/urllib3-1.23-py2.py3-none-any.whl (133k B) 100% |¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 143kB 517kB/s Collecting idna<2.8,>=2.5 (from requests) Downloading https://files.pythonhosted.org/packages/4b/2a/0276479a4b3caeb8a8c1af2f8e4355746 a97fab05a372e4a2c6a6b876165/idna-2.7-py2.py3-none-any.whl (58kB) 100% |¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦¦| 61kB 339kB/s Installing collected packages: chardet, certifi, urllib3, idna, requests Successfully installed certifi-2018.8.24 chardet-3.0.4 idna-2.7 requests-2.19.1 urllib3-1.23
为了停用虚拟环境,可以使用以下命令-
(websc) (base) D:\ProgramData\webscrap>deactivate (base) D:\ProgramData\webscrap>
您可以看到(websc)已被停用。
爬虫模块
Web抓取是构建可自动从Web提取,解析,下载和组织有用信息的过程m换句话说,Web抓取软件将代替自动从网站上保存数据,而是根据无涯教程的要求自动从多个网站上加载和提取数据。
这是一个简单的python网络抓取库,它是用于访问网页的高效HTTP库,借助Requests,可以获取网页的原始HTML,然后可以对其进行解析以获取数据。可以在虚拟环境或全局安装中安装它。借助 pip 命令,无涯教程可以轻松地按如下方式安装它-
(base) D:\ProgramData> pip install requests Collecting requests Using cached https://files.pythonhosted.org/packages/65/47/7e02164a2a3db50ed6d8a6ab1d6d60b69 c4c3fdf57a284257925dfc12bda/requests-2.19.1-py2.py3-none-any.whl Requirement already satisfied: idna<2.8,>=2.5 in d:\programdata\lib\sitepackages (from requests) (2.6) Requirement already satisfied: urllib3<1.24,>=1.21.1 in d:\programdata\lib\site-packages (from requests) (1.22) Requirement already satisfied: certifi>=2017.4.17 in d:\programdata\lib\sitepackages (from requests) (2018.1.18) Requirement already satisfied: chardet<3.1.0,>=3.0.2 in d:\programdata\lib\site-packages (from requests) (3.0.4) Installing collected packages: requests Successfully installed requests-2.19.1
在此示例中,无涯教程正在对网页进行GET HTTP请求。为此,需要首先导入requests请求库,如下所示:
In [1]: import requests
在下面的代码行中,使用请求对URL进行GET HTTP请求:https://authoraditiagarwal .com/发出GET请求。
In [2]: r=requests.get('https://authoraditiagarwal.com/')
现在,可以使用 .text 属性检索内容,如下所示:
In [5]: r.text[:200]
在下面的输出中观察到,得到了前200个字符。
Out[5]: '<!DOCTYPE html>\n<html lang="en-US"\n\titemscope \n\titemtype="http://schema.org/WebSite"\n\tprefix="og: http://ogp.me/ns#" >\n<head>\n\t<meta charset ="UTF-8" />\n\t<meta http-equiv="X-UA-Compatible" content="IE'
urllib3 模块
这是另一个Python库,可用于从与 requests 库类似的URL检索数据,您可以在以下网站的技术文档中阅读更多内容: https://urllib3.readthedocs.io/en/latest/
安装urllib3 - 使用 pip 命令,可以在虚拟环境或全局安装中安装 urllib3 。
(base) D:\ProgramData>pip install urllib3 Collecting urllib3 Using cached https://files.pythonhosted.org/packages/bd/c9/6fdd990019071a4a32a5e7cb78a1d92c5 3851ef4f56f62a3486e6a7d8ffb/urllib3-1.23-py2.py3-none-any.whl Installing collected packages: urllib3 Successfully installed urllib3-1.23
开始爬取数据
在以下示例中,无涯教程将使用urllib3和BeautifulSoup抓取网页,在请求库的位置使用urllib3来从网页获取原始数据(HTML),然后使用BeautifulSoup解析该HTML数据。
import urllib3 from bs4 import BeautifulSoup http=urllib3.PoolManager() r=http.request('GET', 'https://authoraditiagarwal.com') soup=BeautifulSoup(r.data, 'lxml') print (soup.title) print (soup.title.text)
这是运行此代码时将观察到的输出-
<title>Learn and Grow with Aditi Agarwal</title> Learn and Grow with Aditi Agarwal
Selenium 模块
它是跨不同浏览器和平台的Web应用程序的开源自动化测试套件。它不是单个工具,而是一套软件。无涯教程具有用于Python,Java,C#,Ruby和JavaScript的Selenium绑定,在这里,无涯教程将通过使用Selenium及其Python绑定来执行Web抓取,Selenium Python绑定为访问Selenium WebDriver(如Firefox,IE,Chrome,Remote等)提供了便捷的API。当前支持的Python版本为2.7、3.5及更高版本。
使用 pip 命令,可以在虚拟环境或全局安装中安装 urllib3 。
pip install selenium
由于硒需要驱动程序才能与所选浏览器交互,因此需要下载它。下表显示了不同的浏览器及其下载链接。
Chrome |
https://sites.google.com/a/chromium.org/ |
Edge |
https://developer.microsoft.com/ |
Firefox |
https://github.com/ |
Safari |
https://webkit .org/ |
为指定版本的浏览器下载特定的驱动程序后,需要使用Python进行编程。
首先,需要从Selenium中导入 webdriver ,如下所示:
from selenium import webdriver
现在,提供根据要求下载的Web驱动程序的路径-
path=r'C:\\Users\\gaurav\\Desktop\\Chromedriver' browser=webdriver.Chrome(executable_path=path)
现在,提供要在该Web浏览器中打开的URL,该URL现在由Python脚本控制。
browser.get('https://authoraditiagarwal.com/leadershipmanagement')
无涯教程还可以通过提供lxml中提供的xpath来抓取特定元素。
browser.find_element_by_xpath('/html/body').click()
您可以检查受Python脚本控制的浏览器的输出。
Scrapy 模块
Scrapy是使用Python编写的快速,开放源代码的Web爬网框架,用于在基于XPath的选择器的帮助下从网页中提取数据,Scrapy于2008年6月26日首次发布,获得了BSD的许可,并在2015年6月发布了里程碑1.0,提供了从网站提取,处理和构建数据所需的所有工具。
使用 pip 命令,无涯教程可以在虚拟环境或全局安装中安装 urllib3 。
pip install scrapy
参考链接
https://www.learnfk.com/python-web-scraping/python-modules-for-web-scraping.html
标签:Python,urllib3,无涯,爬虫,base,https,requests,packages From: https://blog.51cto.com/u_14033984/8620487