请求库的安装
- requests:阻塞式http请求库
$ pip install requests - selenium:自动化测试工具，驱动浏览器执行一些操作
$ pip install selenium - chromedriver:谷歌浏览器驱动程序
- 安装配置
- 官网 https://sites.google.com/a/chromium.org/chromedriver/downloads
-
注意：先查看谷歌浏览器的版本，官网上下载对应版本的驱动，将下载后的可执行文件配置到环境变量下即可
- 测试安装
# cmd下输入下列命令 $ chromedriver - phantomjs:无界面的、可脚本变成的浏览器引擎
- 安装
- 下载地址http://phantomjs.org/download.html
- 建议将可执行文件配置到当前python环境的目录下，否则引入可能会报错'phantomjs' executable needs to be in PATH.
- 测试安装
# cmd输入 $ phantomjs --version - aiohttp:提供异步的http请求库
- 安装
$ pip install aiohttp - 官方推荐同时安装的两个库
- cchardet:字符编码检测库
- aiodns:加速DNS解析库
- 安装
$ pip install aiodns cchardet
解析库的安装
- lxml:python解析库，支持HTML、XML、xpath解析
- 安装
$ pip install lxml - Beautiful Soup4::python解析库，支持HTML、XML,依赖于lxml
- 安装
$ pip install beautifulsoup4 - pyquery:提供了和JQuery类似的语法解析html,支持css选择器
- 安装
$ pip install pyquery - tesserocr:识别图形验证码的库
- 安装
- 由于tesserocr依赖于tesseract，需要先下载tesseract
- 下载地址 https://digi.bib.uni-mannheim.de/tesseract/
-
可以勾选language data，可以识别多种语言
# tesseract安装成功后 $ pip install tesserocr pillow- 安装tesserocr出现的错误和解决办法
- 报错缺Visual C++ 14.0
error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": https://visualstudio.microsoft.com/downloads/- 下载地址 https://go.microsoft.com/fwlink/?LinkId=691126
- 下载成功后安装继续报错
error: command 'C:\\Program Files (x86)\\Microsoft Visual Studio 14.0\\VC\\BIN\\x86_amd64\\cl.exe' failed with exit status 2- 查了好多办法，都不行，放弃，直接安装whl文件
- whl文件下载 https://github.com/simonflueckiger/tesserocr-windows_build/releases
- 注意：下载对应tesseract版本和python版本的tesserocr
- 下载成功后进入下载文件的路径执行下面命令
$ pip3 install tesserocr-2.2.2-cp36-cp36m-win_amd64.whl- 安装成功，执行程序，发现tesserocr的一些方法初始化失败，报错信息
RuntimeError: Failed to init API, possibly an invalid tessdata path: D:\XXXX\- 网上查了很多资料，配置系统变量、tessdata文件移来移去都不行，后来仔细研究一下报错信息，说的很明确这个路径的tessdata无效，将安装的tesseract目录下tessdata文件移到错误提示的目录下了，完美执行。
数据库的安装
- 关系型数据库：存储形式为表结构
- 菲关系型数据库：存储形式为键值对
- MySQL：轻量级的关系型数据库，官网上下载安装包进行安装即可
安装完成后，可以在计算机-管理-服务中开启或关闭MySQL服务。
- MongoDB：c++编写的非关系型数据库，开源分布式文件存储
- 下载地址 https://www.mongodb.com/dr/fastdl.mongodb.org/win32/mongodb-win32-x86_64-2008plus-ssl-4.0.6-signed.msi/download
- 占用端口：27017
- 可视化工具：Robo 3T
- 命令行启动服务
$ mongod --dbpath 'mongobd的data下db的路径' - Redis：基于内存的菲关系型数据库，高效
- 下载地址 https://github.com/MicrosoftArchive/redis/releases
- 占用端口：6379
- 可视化管理工具：Redis Desktop Manager
与Python交互的存储库的安装
- pymysql
$ pip install pymysql - pymongo
$ pip install pymongopycharm安装不上的话，setting中安装即可
- redis-py
$ pip install redis - Redisdump：用于Redis数据导入导出的工具，基于Ruby实现的
- 安装Ruby
- 下载地址 http://www.ruby-lang.org/zh_cn/documentation/installation
- 下载完成后配置到系统变量
- 执行命令
$ gem install redis-dump
web库的安装
- flask：轻量级的web框架
$ pip install flask - tornado：支持异步I/O的web框架
$ pip install tornado
爬虫框架的安装
1、pyspider:国内、带有webUI、脚本编辑器、任务监听、项目管理器、结果处理器、支持多种消息队列、数据库，还支持js渲染页面的爬取
注意：pyspider支持js渲染，因此依赖phantomjs,安装前确保phantomjs已经安装
- 安装
$ pip install pyspider - 可能出现的错误Deprecated option 'domaincontroller': use 'http_authenticator.domain_controller' instead.
- 原因：安装pyspider3.x的时候,会默认安装wsgidav3.x,而wsgidav3.x现在还不太稳定，卸载后改成wsgidav2.x即可
- 解决
$ pip uninstall wsgidav $ pip install wsgidav==2 - 启动pyspider
$ pyspider all- 默认监听端口5000，访问http://locallhost:5000,可访问webUI管理页面
2、scrapy:十分强大的爬虫框架，依赖较多
- 安装
$ pip install scrpay - 可能会出现的错误
参考文章
3、scrapy-redis:scrapy分布式扩展模块
- 安装
$ pip install scrapy-redis
4、scrapy-splash:是scrapy支持js渲染的工具，需要安装splash服务，和scrapy-splash的python库，供在scrapy中使用。
- 安装scrapy-splash
$ pip install scrapy-splash - 安装splash服务，通过docker安装
$ docker run -p 8050:8050 scrapinghub/splash- 后台运行
$ docker run -d -p 8050:8050 scrapinghub/splash - 可能出现的错误
- 守护进程可能出现端口占用的错误
$ docker ps $ docker kill -s kill 'id'- 访问localhost:8050没有反应，打开docker terminal，查看默认连接的虚拟IP,会有这样的提示" docker is configured to use the default machine with IP x.x.x.x"
部署相关库的安装
1、docker：一种容器技术，可以将应用和环境进行打包，形成一个独立的类似于iosapp的“应用”。放到任意一个支持docker的环境中即可使用。
- 下载地址 https://hub.docker.com/editions/community/docker-ce-desktop-windows
- cmd输入docker进行测试
- 可能出现的问题，如果win10家庭版不能安装成功可以安装Docker Toolbox
- 下载完成后，安装后找不到bash.exe文件 是因为安装的时候已经安装过git了，解决办法参考 https://blog.csdn.net/A632189007/article/details/78601213
网友评论