在本章中,让我们学习可用于Web抓取的各种Python模块。

虚拟开发环境

Virtualenv是用于创建隔离的Python环境的工具。借助virtualenv,我们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。它还允许我们添加和修改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,我们需要创建一个目录,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,我们需要初始化我们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

我们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,我们可以使用以下命令-

(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,而是根据我们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,我们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。在使用请求之前,让我们了解其安装。

我们可以在虚拟环境或全局安装中安装它。借助 pip 命令,我们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,我们正在对网页进行GET HTTP请求。为此,我们需要首先导入请求库,如下所示:

In [1]: import requests

在下面的代码行中,我们使用请求对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,我们可以使用 .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,我们得到了前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,我们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,我们将使用urllib3BeautifulSoup抓取网页,我们在请求库的位置使用urllib3来从网页获取原始数据(HTML),然后,我们使用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-

无涯教程网

<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。我们具有用于Python,Java,C#,Ruby和JavaScript的Selenium绑定,在这里,我们将通过使用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,我们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,因此我们需要下载它。下表显示了不同的浏览器及其下载链接。

链接:https://www.learnfk.com/article-python_web_scraping/python_modules_for_web_scraping

来源:LearnFk无涯教程网

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,我们需要使用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,提供我们根据要求下载的Web驱动程序的路径-

path=r'C:\\Users\\gaurav\\Desktop\\Chromedriver'
browser=webdriver.Chrome(executable_path=path)

现在,提供我们要在该Web浏览器中打开的URL,该URL现在由我们的Python脚本控制。

browser.get('https://authoraditiagarwal.com/leadershipmanagement')

我们还可以通过提供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,它为我们提供了从网站提取,处理和构建数据所需的所有工具。

使用 pip 命令,我们可以在虚拟环境或全局安装中安装 urllib3

pip install scrapy

这一章你学到了什么?来做个笔记,好记忆不如烂笔头! 如果觉得对您有帮助,麻烦帮分享给您的朋友。

祝学习愉快! (如果觉得不正确,选中要修改的内容->右键->编辑)

点我分享笔记