Python 爬虫开发完整环境部署,爬虫核心框架安装-编程知识

Python 爬虫开发完整环境部署

前言：

关于本篇笔记，参考书籍为《Python 爬虫开发实战3 》笔记做出来的一方原因是为了自己对 Python 爬虫加深认知，一方面也想为大家解决在爬虫技术区的一些问题，本篇文章所使用的环境为：python 3.6.2 64 位
在此其中，我们可能会碰到不兼容的问题，所以有些软件会降低版本来达到兼容，其实这一点大家没必要较真，一个 python 版本，或者一个库的版本，都代表着一个时间，随着 python3 的出现，就代表着 python2 的不兼容，那么库于库之间，代码于代码之间，就会存在一种依存关系，有些库会更新，而有的就不会跟新，但旧的不代表它已经被淘汰，而是一代技术的成熟，以上是我对版本迭代的思考。
我想，以我现在的水平，还达不到窥探源码来修改这些不兼容的问题，所以既然不兼容，那么我就来兼容它即可，python 亦是如此。

0x01 请求库的安装

爬虫可以简单分为几步：抓取页面，分析页面，存储数据
当我们在抓取页面的时候，需要模拟浏览器向服务器发出请求，所以需要用到一些 python 库来实现 HTTP 请求操作
这里，我们出现了三个库 requests，Selenium，aiohttp

install

请求库：
C:\Users\yangh>pip install requests
'标准请求库'C:\Users\yangh>pip install 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渲染的页面来说，这种抓取方式非常有效。下面我们来看看Selenium的安装过程'C:\Users\yangh>pip3 install aiohttp
'异步请求抓取数据'C:\Users\yangh>pip3 install cchardet aiodns
'字符集编码库，与加速 DNS 解析库 'Software：
ChromeDriver['Chrome 对应']：https://chromedriver.storage.googleapis.com/index.html
GeckoDriver['Firefox 对应']：https://github.com/mozilla/geckodriver/releases

ChromeDriver 安装简介

作用：配合 selenium 库，来达到与浏览器配合，能够与 chrome 配合

先进入网站：https://chromedriver.storage.googleapis.com/index.html

查看 Chrome 版本

下载对应版本软件

配置环境变量，并把其放在 python/Script 目录下

验证

GeckoDriver 安装简介

作用：配合 selenium 库，来达到与浏览器配合，能够与 firefox 配合

GeckoDriver 安装也与之大同小异，直接下载最新版，然后对应 64/32 解压，拖到 …/python/Script/

验证

PhantomJS 安装简介

作用：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

官方网站：http://phantomjs.org
官方文档：http://phantomjs.org/quick-start.html
下载地址：http://phantomjs.org/download.html
API接门说明：http://phantomjs.org/api/command-line.html

PhantomJS 与 ChromeDriver 配置操作一样，添加到 python/Script 文件夹，然后加入环境变量

验证

这里，由于不想修改 selenium 版本，就没安装完毕

0x02 解析库安装

    在抓取网页代码之后，下一步就是提取网站中的信息，提取信息的方式有多种多样，可以使用正则来提取，'但是正则写起来会相对比较繁琐'。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'，利用他们我们可以高效的从网页中提取有效信息

install

1：C:\Users\yangh>pip3 install lxml
2：C:\Users\yangh>pip3 install beautifulsoup4 (beautifulsoup4 即 bs4)
3：C:\codeEnvironment\python\wheel>pip3 insatll pyquery-1.4.3-py3-none-any.whl
4：C:\Users\yangh>pip install pillow

lxml 参考

lxml 是 python 的一个解析库，支持 HTML 和 XML 的解析，支持 XPath 解析方式

官方网站：http://lxml.de

GitHub：https://github.com/lxml/lxml

PyPI：https://pypi.python.org/pypi/lxml

Beautiful Soup 参考

Beautiful Soup 是 Python 的一个 HTML 或 XML 解析库，我们可以用它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

官方文档：https://www.crummy.com/software/Beautifu1Soup/bs4/doc

中文文档：https://www.crummy.com/software/Beautifu!Soup/bs4/doc.zh

PyPI：https://pypi.python.org/pypi/beautifulsoup4

Test Beautiful soup4

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup('<p>Hello</p>','lxml')
>>> print(soup.p.string)
Hello只要输出 hello 即成功

pyquery 参考

url:https://pypi.org/project/pyquery/#files
pyquery 同样是一个强大的页面解析工具，它提供了和 Jquery 类似的语法来解析 HTML 文档，支持 CSS 选择器

参考链接

GitHub：https://github.com/gawel/pyquery
PyPI：https://pypi.python.org/pypi/pyquery
官方文档：http://pyquery.readthedocs.io

resserocr 参考

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'，这时候我们就可以直接用 OCR 来识别tesserocr 是 Python 的一个OCR识别库，但其实是对tesseract做的一层PythonAPI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

验证

测试 tesserocr

若正常输出图片内容，则安装成功

测试 tesseract

0x03 数据库的安装

作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(NOsql),
关系型数据库如：SQLite、MySQL、Oracle、SQL Server、DB2
非关系型数据库：MongoDB、Redis，他们存储形式是键值对，存储形式更加灵活以下，我们来介绍三种数据库，Mysql 以及 MongoDB、Redis

MySQL 安装参考

下载地址：https://www.mysql.com/cn/downloads

也可以通过国内的 phpstudy 一键搭建

注意，通过官网下载的需要开启本地服务 MySQL

MongoDB 的安装

    MongoDB 是由 C++ 语言编写的非关系型数据库，是一个基于分布式文件存储的开源数据库系统，其内容存储形式类似JSON对象，它的字段值可以包含其他文档、数组及文档数组，非常灵活。MongoDB支持多种平台，包括Windows、Linux、MacOS、Solaris等，在其官方网站（https://www. mongodb.com/download-center）均可找到对应的安装包。

官方网站：https://www.mongodb.com
官方文档：https://docs.mongodb.com
GitHub：https://github.com/mongodb
中文教程：http://www.runoob.com/mongodb/mongodb-tutorial.html
下载网址：MongoDB Community Download | MongoDB
MongoDB安装（超详细)

Redis 安装

官方网站：https://redis.io
官方文档：https://redis.io/documentation
中文官网：http://www.redis.cn
GitHub：https://github.com/antirez/redis
中文教程：http://www.runoob.com/redis/redis-tutorial.html
RedisDesktop Manager: https://redisdesktop.com
Redis Desktop Manager GitHub: https://github.com/uglide/RedisDesktopManager
下载 redis：https://github.com/microsoftarchive/redis/releases
下载 redis 可视化程序：https://wwx.lanzoui.com/it7Eqnacdeh

下载来后一键安装即可默认用户 root 密码 root

0x04 存储库的安装

我们上面只说到存储数据的一个方式，即数据库，但是我们要数据库与我们的 python 交互，那么就需要 '存储库'，如   'Mysql 需要安装 PyMySQL','MongoDB 需要安装 PyMongo 等'

PyMySQL 安装

C:\Users\yangh>pip3 install pymysql

验证

PyMongo 安装

C:\Users\yangh>pip3 install pymongo

验证

redis-py 安装

C:\Users\yangh>pip3 install redis

验证

输出如下即成功安装C:\Users\yangh>python
Python 3.6.2 (v3.6.2:5fd33b5, Jul  8 2017, 04:57:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import redis
>>> redis.VERSION
(4, 0, 2)

RedisDump 安装

RedisDump 作用与 Redis 的导入导出工具，基于 Ruby 实现，所以需要先下载 'Ruby'

Ruby for windows

访问网站：https://rubyinstaller.org/downloads/ 下载即可

gem 安装

这里我们安装 ruby 后就能使用 gem 命令，来下载 RedisDump

验证

0x05 Web 库的安装

    Python 也有 Web 程序服务 'Flask，Django 等'，我们可以用他们来开发 '网站' 和 '接口'，我们主要拿来做 'API 接口'，供 我们的 '爬虫' 使用比如，维护一个嗲鲤齿，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？最适合的就是 Web 服务提供的 'API 接口'，'我们只需要请求接口即可获取新的代理'

Flask 安装

Flask 是一个轻量级的 Web 服务程序，它简单、易用、灵活、主要用于 API 服务

C:\Users\yangh>pip3 install flask

验证

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

Tornado 的安装

Tornado 是一个支持 “异步” 的web框架，通过使用 “非阻塞 I/O 流”，它可以支撑成千上万的开放链接！

C:\Users\yangh>pip3 install tornado

验证

后面，我们会利用 Tomado+Redis 来搭建一个ADSL拨号代理池

0x06 APP 爬取相关库的安装

    除了 Web 网页，爬虫也可以抓取 'App 的数据'，App 中的页面要加载出来，首先需要获取数据，而这些数据一般是通过请求服务器的接口来获取的。由于 App 没有浏览器这种可以比较直观的看到后台请求的工具，所以主要用一些抓包技术来抓取数据

本地测试工具有：

Charles
mitmproxy
mitmdump
Appium

一些简单的接口可以通过 Charles 或 mitmproxy分析，找出规律，然后直接用程序模拟来抓取了，但如果遇到更加复杂的接口，就需要利用 mitmdump 对接 python来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 的操作而不是人工采集，这里我们还会需要一个工具 Appium，它可以像 Selenium 一样对 App 将那些自动化控制，如自动化模拟 App 的点击，下拉等操作

Charles 的安装

下载：https://www.charlesproxy.com/latest-release/download.do

破解：https://www.zzzmode.com/mytools/charles/

安装 CA 证书：

安装完后可同时设置 Android 于之存在一个局域网，参考以下即可

    如果你的手机是Android系统，可以按照下面的操作进行证书配置。在Android系统中，同样需要设置代理为Charles的代理。设置完毕后，电脑上就会出现一个提示窗口，询问是否信任此设备，此时直接点击Allow按钮即可。接下来，像iOS设备那样，在手机浏览器上打开chls.pro/ssl，这时会出现一个提示框

mitmproxy 安装

mitmproxy是一个支持 HTTP 和 HTTPS 的抓包程序，类似 Fiddler，charles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，通过它以清除地观察到 mitmproxy 捕获的请求。

C:\Users\yangh>pip install mitmproxy==5.0.0

即可查看到 CA 证书

安装 CA 证书

跟着图片步骤走即可

证书配置

对于 mitmproxy来说，如果想要截取 HTTPS 请求，就需要设置证书。mitmproxy 在安装后会提供一套 CA 证书，只要客户端信任即可，步骤如下

Appium 安装

首先，需要安装Appium。Appium负责驱动移动端来完成一系列操作，对于iOS设备来说，它使用苹果的UIAutomation来实现驱动；对于Android来说，它使用UIAutomator和Selendroid来实现驱动同时Appium也相当于一个服务器，我们可以向它发送一些操作指令，它会根据不同的指令对移动设备进行驱动，以完成不同的动作。

下载网址：https://github.com/appium/appium-desktop/releases

安装完后即可显示如下即安装成功：

以上，我们可以配合 Android 模拟器等来实现即可！

0x07 爬虫核心框架安装

我们直接用 requests、Selenium 等库来写爬虫，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。但是写多了就会发现其内部许多代码和组件是可以重复利用的，如果我们把这些组件抽离出来，将各个功能模块化，就会慢慢形成一个框架雏形，这样慢慢培养它，就像自己养虫子一样，爬虫框架也会越来越来完善。

我们利用框架，就可以不再去关心某些功能的具体实现，只需要关系爬取的逻辑即可。同时也可大大简化代码量，而且框架会变得清晰，爬取效率也会高很多。所以，如果有一定基础，上手框架是一种好的选择。

以下我们主要介绍 pyspider 和 Scrapy 两种框架。

Pyspider 安装

简介：

pyspider是国人 binux 编写的一个网络爬虫框架，它拥有强大的 WebUI、脚本编辑器、任务监控器、项目管理器、结果处理器。同时支持多种数据库后端、多种消息队列、还支持 JavaScript 渲染页面的爬取

安装

C:\Users\yangh>pip3 install pyspider

验证：

常见 windows 错误

1：Command ”python setup.py egg_info”failedwith error code 1 in /tmp/pip-build-vXo1W3/pycurl

这是PyCurl安装错误，此时需要安装PyCurl库。从 http://www.lfd.uci.edu/~gohlke/pythonlibs/#pycurl 找到对应的Python版本，然后下载相应的wheel文件即可。比如Windows64位、Python3.6，则需要下载pycurl-7.43.0-cp36-cp36m-win _ amd64.whl，随后用pip安装即可，命令如下

C:\codeEnvironment\python\wheel>pip install pycurl-7.43.0.4-cp36-cp36m-win_amd64.whl

2：若出现报错即直接停止 pyspider 进程，说明 wsgidav ，werkzeug 版本过高，操作如下

C:\Users\yangh>pip uninstall wsgidav
C:\Users\yangh>pip install wsgidav==2.0.1
C:\Users\yangh>python -m pip  uninstall werkzeug
C:\Users\yangh>python -m pip install werkzeug==0.16.1

重新启动 pyspider 即可

Scrapy 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 Scrapy 之前，必须把基本库环境安装好，这里笔者只介绍关于 windows 10 的安装

依赖：Anaconda 安装

关于这一种安装方法，大家注意，如果本地已经安装了 Python，就不要用 conda 的安装了，参考后面的安装即可

关于 Anaconda 的安装方式，大家可以去看这篇文章：

https://blog.csdn.net/ITLearnHall/article/details/81708148)

在此不再赘述

安装好后直接输出该命令即可安装完毕：conda install Scrapy

依赖 lxml 安装

C:\Users\yangh>pip install lxml

依赖 pyOpenSSL

关于 pyOpenSSL 直接去官网下载 whl 文件安装即可：https://pypi.python.org/pypi/pyOpenSSL#downloads

C:\codeEnvironment\python\wheel>pip install pyOpenSSL-17.2.0-py2.py3-none-any.whl

依赖 Twisted 安装

下载地址：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted 下载wheel文件

C:\codeEnvironment\python\wheel>pip install Twisted-20.3.0-cp36-cp36m-win_amd64.whl

依赖 PyWin32

从官方网站下载对应版本的安装包即可

链接为：https://sourceforge.net/projects/pywin32/files/pywin32/Build%20221

下载过来后，直接双击 exe 安装即可

End Scrapy 安装

C:\Users\yangh>pip3 install Scrapy

验证

C:\codeEnvironment\python\wheel>Scrapy
Scrapy 2.5.1 - no active projectUsage:scrapy <command> [options] [args]Available commands:bench         Run quick benchmark testcommandsfetch         Fetch a URL using the Scrapy downloadergenspider     Generate new spider using pre-defined templatesrunspider     Run a self-contained spider (without creating a project)settings      Get settings valuesshell         Interactive scraping consolestartproject  Create new projectversion       Print Scrapy versionview          Open URL in browser, as seen by Scrapy[ more ]      More commands available when run from project directoryUse "scrapy <command> -h" to see more info about a command

Scrapy-Splash 安装

Scrapy-Splash 是一个 Scrapy 中支持 JavaScript 渲染的工具

Scrapy-Splash 的安装分为两部分。

1：Splash 服务的安装，具体通过 Docker 安装后会启动一个 Splash 服务，我们可以通过它的接口来实现 JavaScript 页面的加载

2：Scrapy-Splash 的 Python 库的安装，安装之后即可在 Scrapy 中使用 Splash 服务

在安装之前需要先确保自己有 docker 这个应用，若没有，可以参考 笔者的笔记 docker 的安装于部署

安装

docker run -p 8050:8050 scrapinghub/splash

验证

可以看到，docker 已经把镜像拉过来了。以后要运行 Scrapy-Splash 直接本地开 docker 即可

Scrapy-Redis 安装

Scrapy-Redis 是 Scrapy 的分布式扩展模块，有了它，我们就可以实现 Scrapy 分布式爬虫的搭建

C:\Users\yangh>pip3 install scrapy-redis

验证：

导入库不报错即可

0x08：部署其他相关库

Scrapyrt 安装

pip3 install scrapyrt
后面运行，需要在一个 scrapy 项目中运行才可，默认存在 9080 端口，使用 -p 端口切换
scrapyrt -p 9081

Gerapy 安装

pip3 install gerapy