《Python 3网络爬虫开发实战 》崔庆才著 第一章笔记

一、请求库的安装

1. requests的安装
   由于 requests 属于第三方库 ，也就是 python 默认不会自带这个库，所以需要我们手动安装。

   pip install requests
   

2. selenium
   Selenium 是一个自动化测试工具，利用它我们可以驱动浏览器执行特定的动作，如点击、下拉等 操作，对于一些 JavaScript 谊染的页面来说，这种抓取方式非常有效。

   pip install selenium
   

3. ChromeDriver的安装
   前面我们成功安装好了Selenium库，但是它是一个自动化测试工具，需要浏览器来配合使用，本节中我们就介绍一下 Chrome浏览器及ChromeDriver驱动的配置。

   查看谷歌浏览器版本

   

   下载对应的版本，https://chromedriver.storage.googleapis.com/index.html

   

   考虑到谷歌浏览器经常会自动更新，我们可以关闭自动更新浏览器

   

   

   

   下载完解压之后，移动到python的安装目录下

   

   验证安装是否成功

   

4. GeckoDriver 的安装
   GeckoDriver 是针对于Firefox浏览器。

   下载地址：https://github.com/mozilla/geckodriver/releases/tag/v0.31.0

   下完之后解压，和 ChromeDriver 一样放到python的Scripts目录下

   验证安装是否成功
   

5. PhantomJS的安装
   PhantomJS是一个无界面的、可脚本编程的WebKit浏览器引擎，它原生支持多种Web标准: DOM操作、CSS选择器、JSON，Canvas以及SVG。
   Selenium支持 PhantomJS，这样在运行的时候就不会再弹出一个浏览器了。而且 PhantomJS的运行效率也很高，还支持各种参数配置，使用非常方便。下面我们就来了解一下 PhantomJS的安装过程。

   下载地址：https://phantomjs.org/download.html

   下载解压完之后，将bin所在的路径添加到环境变量中

   

   验证是否配置成功

   

6. aiohttp 的安装
   之前介绍的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，这个过程比较耗费时间。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asynclawait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asynclawait 关键字的写法变得更加简洁，架构更加清晰。使用异步请求库进行数据抓取时，会大大提高效率。

   我们会在后面的实例中用到这个库、比如维护一个代理池时，利用异步方式检测大量代理的运行状况，会极大地提升效率。

   pip install aiohttp
   

7. 可能会出现的问题
   假如使用pycharm编写代码的时候，发现写代码的时候没有提示或者出现下图所示的错误，并且自己在本机使用cmd运行相同命令的时候没有异常。

更改pycharm的相关配置，将python.exe更改成本机的python.exe。

二、解析库的安装

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. lxml 安装
   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。

pip install lxml

2. Beautiful Soup 安装
   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。

pip install beautifulsoup4

注意，这里我们虽然安装的是 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。

3. pyquery安装
   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，使用非常方便。本节中，我们就来了解一下它的安装方式。

pip install pyquery

4. tesserocr 安装
   在爬虫过程中，难免会遇到各种各样的验证码，而大多数验证码还是图形验证码，这时候我们可以直接用OCR来识别。

   下载地址：https://digi.bib.uni-mannheim.de/tesseract

   下载完之后一路next安装即可

   pip install tesseroct pillow
   

   假如上面的pip无法下载的话，就去https://github.com/simonflueckiger/tesserocr-windows_build/releases 下载python版本的tesserocr whl文件，然后使用whl进行安装

   pip install tesserocr-2.5.2-cp39-cp39-win_amd64.whl
   

   进行测试，需要先把tesserocr 下载安装后的tessdata文件移动到自己的python文件夹中

   

   验证的图片是

   

   import tesserocr
   from PIL import Image
   image=Image.open('image.png')
   print(tesserocr.image_to_text(image))
   

   执行结果，发现识别成功

   

三、数据库的安装

Mysql数据库安装过程忽略。

Redis 数据库安装

windows下载：https://github.com/microsoftarchive/redis/releases/tag/win-3.0.504

下载完之后直接next安装即可

四、存储库的安装

1. mysql：

pip install pymysql

2. redis:

pip install redis

3. RedisDump：

   redis的数据导入导出工具。安装之前还需要安装Ruby，因为只有Ruby才能使用gem命令，Ruby下载：https://rubyinstaller.org/downloads，具体的安装把全部的选项勾上然后next、回车即可。

gem install redis-dump

五、Web库的安装

1. Flask 的安装

   Flask是一个轻量级的Web服务程序，它简单、易用、灵活，这里主要用来做一些API服务。

pip install flask

验证安装

from flask import Flask
app = Flask(__name__)
@app.route("/")
def hello():
    return "Hello World!"

if __name__=="__main__":
    app.run()

​ 后面，我们会利用Flask+Redis维护动态代理池和Cookies池。

2. Tornado 的安装
   Tornado是一个支持异步的Web框架，通过使用非阻塞IO流，它可以支撑成千上万的开放连接，效率非常高，本节就来介绍一下它的安装方式。

pip install tornado

​ 后面，我们会利用Tornado+Redis来搭建一个ADSL拨号代理池。

六、App爬取相关库安装

本书介绍的抓包工具有mitmproxy 和mitmdump。一些简单的接口可以通过mitmproxy 分析，找出规律，然后直接用程序模拟来抓取了。但是如果遇到更复杂的接口，就需要利用mitmdump对接Python来对抓取到的请求和响应进行实时处理和保存。另外，既然要做规模采集，就需要自动化 App 的操作而不是人工去采集，所以这里还需要一个工具叫作 Appium，它可以像Selenium一样对App进行自动化控制，如自动化模拟App 的点击、下拉等操作。

1. mitmproxy 的安装

   mitmproxy是一个支持 HTTP和 HTTPS的抓包程序，类似 Fiddler、 Charles 的功能，只不过它通过控制台的形式操作。

   此外,mitmproxy还有两个关联组件，一个是mitmdump，它是 mitmproxy的命令行接口,利用它可以对接Python脚本，实现监听后的处理;另一个是mitmweb，它是一个Web程序，通过它以清楚地观察到mitmproxy捕获的请求。

pip install mitmproxy

2. 证书配置

   cmd窗口运行mitmproxy，在用户目录下的.mitmproxy找到CA证书，并且双击mitmproxy-ca.p12安装。

   一直默认，直到出现选择证书存储的选择之后，选择下图所示的选项，然后一直选择是即可。

   

3. Appium 的安装
   Appium是移动端的自动化测试工具,类似于前面所说的Selenium,利用它可以驱动Android 、 ios等设备完成自动化测试，比如模拟点击、滑动、输入等操作，其官方网站为: http://appium.iol/。

   下载地址是：https://github.com/appium/appium-desktop/releases，下载后双击安装即可。

七、爬虫框架的安装

我们直接用requests、Selenium等库写爬虫，如果爬取量不是太大，速度要求不高,是完全可以满足需求的。但是写多了会发现其内部许多代码和组件是可以复用的,如果我们把这些组件抽离出来,将各个功能模块化,就慢慢会形成一个框架雏形，久而久之，爬虫框架就诞生了。

1. pyspider 的安装(自己在安装的时候，由于自己的python是3.9的版本，现在已经找不到pucurl 7.4.3.0.3版本的，所以安装失败了)

   需要先下载后pycurl，否则就会出错，在https://www.lfd.uci.edu/~gohlke/pythonlibs/#netifaces
   进行下载whl文件然后再进行安装
   
   pip install pycurl-7.45.1-cp39-cp39-win_amd64.whl
   pip install pyspider
   

2. Scrapy 的安装

   Scrapy是一个十分强大的爬虫框架,依赖的库比较多,至少需要依赖的库有Twisted 14.0、 lxml 3.4和pyOpenSSL 0.14。在不同的平台环境下，它所依赖的库也各不相同，所以在安装之前，最好确保把一些基本库安装好。本节就来介绍 Scrapy在不同平台的安装方法。

   pip install lxml
   pip install pyOpenSSL
   pip install Twisted
   pip install pywin32
   pip install Scrapy
   

3. Scrapy-Splash 的安装（我这里还没进行安装）

   Scrapy-Splash是一个Scrapy中支持JavaScript渲染的工具,本节来介绍它的安装方式。

   Scrapy-Splash的安装分为两部分。一个是Splash服务的安装,具体是通过Docker，安装之后，会启动一个Splash服务,我们可以通过它的接口来实现JavaScript页面的加载。另外一个是Scrapy-Splash的Python库的安装,安装之后即可在 Scrapy中使用Splash服务。

   docker run -p 8050:8050 scrapinghub/splash
   pip install scrapy-splash
   

4. Scrapy-Redis 的安装

   Scrapy-Redis是Scrapy的分布式扩展模块,有了它,我们就可以方便地实现Scrapy分布式爬虫的搭建。本节中，我们将介绍Scrapy-Redis的安装方式。

   pip install scrapy-redis