python解析庫的安裝
- 1. lxml簡介和安裝
- 2. Beautiful Soup簡介和安裝
- 3. pyquery簡介和安裝
- 4. tesserocr簡介和安裝
當我們抓取網頁代碼後，下一步就從網頁中提取資訊，提取資訊的方式有多種多樣，可以使用正則來提取，但很繁瑣。是以我們要用強大的解析庫來操作：如lxml，Beautiful Soup，pyquery等；還有非常強大的解析方法：如XPath和CSS選擇器解析等。有了他們，我們就可以高效從網頁中提取有效資訊。
1. lxml簡介和安裝
lxml是python的一個解析庫，支援html和xml的解析庫，支援XPath解析方式，解析效率非常高。
1 windows下簡單粗暴安裝方法：pip install lxml，如果pip有問題，可以用wheel方式安裝，網上搜一個對應版本的lxml-xxx.whl包， 然後用 pip install lxml-xxx.whl；
2. Beautiful Soup簡介和安裝
Beautiful Soup是python的一個解析庫，支援html和xml的解析庫，可以用它友善地從網頁中提取資料，它擁有強大的API和多樣的解析方式，
安裝方式：pip install beautifulsoup4 或者使用wheel方式安裝
3. pyquery簡介和安裝
pyquery同樣是一個強大的網頁解析工具，它提供了和jQuery類似的文法來解析HTML文檔，支援CSS選擇器，使用非常友善。
安裝方式：pip install pyquery 或者 使用wheel方式安裝
4. tesserocr簡介和安裝
在爬取過程中，難免會遇到各種各樣的驗證碼，而大多數驗證碼還是圖形驗證碼，這時可以用OCR識别（OCR:Optical Character Recognition，光學字元識别，通過掃描字元，将形狀翻譯成電子文本的過程）
tesserocr是python的一個OCR識别庫，但其實是tessract做的一層Python API封裝，是以它的核心是tesseract，是以，安裝tesserocr之前，要安裝tesseract。
windows下的安裝，先下載下傳tesseract，它提供了tesserocr的支援；
下載下傳之後是一個.exe檔案直接安裝就好；安裝時可以勾選Additional language data（download）選項來安裝OCR識别支援的語言包。
安裝完成後，在安裝tersserocr，
安裝指令：pip install tesserocr pillow
在安裝tesserocr時報錯了，沒辦法隻能自己找個wheel檔案下載下傳了。安裝成功，下載下傳成功的.whl檔案，這樣安裝：pip install E:\tesserocr-2.4.0-cp37-cp37m-win_amd64.whl 然後在安裝pip install pillow
安裝完後測試一下：識别一下這個位址的圖檔上得東西：https://raw.githubusercontent.com/Python3WebSpider/TestTess/master/image.png
将圖檔下載下傳到本地：
然後使用指令：
打開result.txt看看識别的情況
我們在用tesserocr試一試：
在python環境下