Python Web Scraping教程

用于Web Scraping的Python模块

在本章中，让我们学习各种可用于Web抓取的Python模块.

使用virtualenv的Python开发环境

Virtualenv是用于创建隔离的Python环境的工具.在virtualenv的帮助下，我们可以创建一个包含所有必需可执行文件的文件夹，以使用我们的Python项目所需的包.它还允许我们在不访问全局安装的情况下添加和修改Python模块.

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，我们需要创建一个在以下命令和减号的帮助下代表项目的目录;

(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它的名称.

(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>

你可以看到(websc)已被停用.

用于网页搜刮的Python模块

网页抓取是构建的过程可以自动从Web提取，解析，下载和组织有用信息的代理.换句话说，网络抓取软件不是手动保存网站数据，而是根据我们的要求自动从多个网站加载和提取数据.

在本节中，我们将讨论用于Web抓取的有用Python库.

请求

这是一个简单的python web抓取库.它是一个用于访问网页的高效HTTP库.在请求的帮助下，我们可以获取网页的原始HTML，然后可以对其进行解析以检索数据.在使用请求之前，让我们了解它的安装.

安装请求

我们可以在虚拟环境中安装它环境或全局安装.在 pip 命令的帮助下，我们可以轻松安装如下 :

(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

示例

在此示例中，我们正在为网页发出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

在以下代码行中，我们使用请求为url发出GET HTTP请求: https://authoraditiagarwal.com/.

In [2]: r = requests.get('https://authoraditiagarwal.com/')

现在我们可以使用 .text 检索内容属性如下 :

In [5]: r.text[:200]

观察在下面的输出中，我们得到前200个字符.

Out[5]: '<!DOCTYPE html>\n<html\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

这是另一个可用于检索数据的Python库来自类似于请求库的网址.您可以在技术文档中阅读更多相关内容，价格为 https://urllib3.readthedocs.io/en/latest/.

安装Urllib3

使用 pip 命令，我们可以安装 urllib3 在我们的虚拟环境或全局安装中.

(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

示例:使用Urllib3和BeautifulSoup进行刮擦

在以下示例中，我们使用 Urllib3 和 BeautifulSoup 来抓取网页.我们在请求库的位置使用 Urllib3 从网页获取原始数据(HTML).然后我们使用 BeautifulSoup 来解析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)

这是你运行这个时会看到的输出代码 :

<title>Learn and Grow with Aditi Agarwal</title>
Learn and Grow with Aditi Agarwal

Selenium

这是一个用于web的开源自动化测试套件不同浏览器和平台的应用程序.它不是一个单一的工具，而是一套软件.我们有Python，Java，C＃，Ruby和JavaScript的selenium绑定.在这里，我们将使用selenium及其Python绑定来执行Web抓取.您可以在 Selenium 链接上了解有关Selenium with Java的更多信息.

Selenium Python绑定提供了一个方便的API来访问Selenium WebDrivers，如Firefox，IE，Chrome，Remote等.目前支持的Python版本是2.7,3.5及以上.

安装Selenium

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

Chrome	https://sites.google.com/a/chromium.org/
边缘	https://developer.microsoft.com/
Firefox	https://github.com/
Safari	https://webkit.org/

由于selenium需要驱动程序接口使用所选的浏览器，我们需要下载它.下表显示了不同的浏览器及其下载链接.

示例

此示例显示使用selenium进行网络抓取.它也可以用于测试硒测试.

下载指定版本浏览器的特定驱动程序后，我们需要用Python编程.

首先，需要从selenium导入 webdriver ，如下所示;

from selenium import webdriver

现在，提供我们根据我们的要求下载的网络驱动程序的路径 :

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

现在，提供我们想要在我们的Python脚本控制的Web浏览器中打开的URL.

 
 browser.get(" https://authoraditiagarwal.com/leadershipmana gement ')

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()

您可以查看浏览器，由Python脚本控制，用于输出.

Scrapy

Scrapy是一个用Python编写的快速，开源的Web爬行框架，用于提取在基于XPath的选择器的帮助下来自网页的数据. Scrapy于2008年6月26日首次发布，在BSD下获得许可，2015年6月发布里程碑1.0.它为我们提供了从网站中提取，处理和构建数据所需的所有工具.

安装Scrapy