本文主要給大家介紹LXML、BeautifulSoup、PyQuer等解析庫安裝教程，其所涉及的東西，從理論知識來獲悉，有很多書籍、文獻(xiàn)可供大家參考，從現(xiàn)實意義角度出發(fā)，創(chuàng)新互聯(lián)累計多年的實踐經(jīng)驗可分享給大家。
抓取下網(wǎng)頁代碼之后，下一步就是從網(wǎng)頁中提取信息，提取信息的方式有多種多樣，可以使用正則來提取，但是寫起來會相對比較繁瑣。在這里還有許多強(qiáng)大的解析庫，如 LXML、BeautifulSoup、PyQuery 等等，提供了非常強(qiáng)大的解析方法，如 XPath 解析、CSS 選擇器解析等等，利用它們我們可以高效便捷地從從網(wǎng)頁中提取出有效信息。
本節(jié)我們就來介紹一下這些庫的安裝過程。
LXML 是 Python 的一個解析庫，支持 HTML 和 XML 的解析，支持 XPath 解析方式，而且解析效率非常高。
重慶分公司
重慶分公司
pip3 install lxml如果產(chǎn)生錯誤，可以執(zhí)行如下命令將必要的類庫安裝：
xcode-select --install
Python資源分享qun 784758214 ,內(nèi)有安裝包，PDF，學(xué)習(xí)視頻，這里是Python學(xué)習(xí)者的聚集地，零基礎(chǔ)，進(jìn)階，都?xì)g迎之后再重新運行 Pip 安裝就沒有問題了。
LXML 是一個非常重要的庫，后面的 BeautifulSoup、Scrapy 框架都需要用到此庫，所以請一定安裝成功。
安裝完成之后，可以在 Python 命令行下測試。
$ python3
>>> import lxml如果沒有錯誤報出，則證明庫已經(jīng)安裝好了。
BeautifulSoup 是 Python 的一個 HTML 或 XML 的解析庫，我們可以用它來方便地從網(wǎng)頁中提取數(shù)據(jù)，它擁有強(qiáng)大的 API 和多樣的解析方式，本節(jié)我們了解下它的安裝方式。
BeautifulSoup 的 HTML 和 XML 解析器是依賴于 LXML 庫的，所以在此之前請確保已經(jīng)成功安裝好了 LXML 庫，具體的安裝方式參見上節(jié)。
目前 BeautifulSoup 的最新版本是 4.x 版本，之前的版本已經(jīng)停止開發(fā)了，推薦使用 Pip 來安裝，安裝命令如下：
pip3 install beautifulsoup4命令執(zhí)行完畢之后即可完成安裝。
安裝完成之后可以運行下方的代碼驗證一下。
from bs4 import BeautifulSoup
soup = BeautifulSoup('Hello
', 'lxml')
print(soup.p.string)運行結(jié)果：
Hello如果運行結(jié)果一致則證明安裝成功。
注意在這里我們雖然安裝的是 beautifulsoup4 這個包，但是在引入的時候是引入的 bs4，這是因為這個包源代碼本身的庫文件夾名稱就是 bs4，所以安裝完成之后，這個庫文件夾就被移入到我們本機(jī) Python3 的 lib 庫里，所以識別到的庫文件名稱就叫做 bs4，所以我們引入的時候就引入 bs4 這個包。
因此，包本身的名稱和我們使用時導(dǎo)入的包的名稱并不一定是一致的。
PyQuery 同樣是一個強(qiáng)大的網(wǎng)頁解析工具，它提供了和 jQuery 類似的語法來解析 HTML 文檔，支持 CSS 選擇器，使用非常方便，本節(jié)我們了解下它的安裝方式。
pip3 install pyquery安裝完成之后，可以在 Python 命令行下測試。
$ python3
>>> import pyquery如果沒有錯誤報出，則證明庫已經(jīng)安裝好了。
爬蟲過程中難免會遇到各種各樣的驗證碼，而大多數(shù)驗證碼還是圖形驗證碼，這時候我們可以直接用 OCR 來識別。
OCR，即 Optical Character Recognition，光學(xué)字符識別。是指通過掃描字符，然后通過其形狀將其翻譯成電子文本的過程。那么對于圖形驗證碼來說，它都是一些不規(guī)則的字符，但是這些字符確實是由字符稍加扭曲變換得到的內(nèi)容。
例如這樣的驗證碼，如圖 1-22 和 1-23 所示：
圖 1-22 驗證碼
圖 1-23 驗證碼
對于這種驗證碼，我們便可以使用 OCR 技術(shù)來將其轉(zhuǎn)化為電子文本，然后爬蟲將識別結(jié)果提交給云服務(wù)器，便可以達(dá)到自動識別驗證碼的過程。
Tesserocr 是 Python 的一個 OCR 識別庫，但其實是對 Tesseract 做的一層 Python API 封裝，所以它的核心是 Tesseract，所以在安裝 Tesserocr 之前我們需要先安裝 Tesseract，本節(jié)我們來了解下它們的安裝方式。
Mac 下首先使用 Homebrew 安裝 Imagemagick 和 Tesseract 庫：
brew install imagemagick
brew install tesseract
Python資源分享qun 784758214 ,內(nèi)有安裝包，PDF，學(xué)習(xí)視頻，這里是Python學(xué)習(xí)者的聚集地，零基礎(chǔ)，進(jìn)階，都?xì)g迎接下來再安裝 Tesserocr 即可：
pip3 install tesserocr pillow這樣我們便完成了 Tesserocr 的安裝。
接下來我們可以使用 Tesseract 和 Tesserocr 來分別進(jìn)行測試。
下面我們以如下的圖片為樣例進(jìn)行測試，如圖 1-26 所示：
圖 1-26 測試樣例
圖片鏈接為：https://raw.githubusercontent...，可以直接保存或下載。
我們首先用命令行進(jìn)行測試，將圖片下載保存為 image.png，然后用 Tesseract 命令行測試，命令如下：
tesseract image.png result -l eng && cat result.txt運行結(jié)果：
Tesseract Open Source OCR Engine v3.05.01 with Leptonica
Python3WebSpider我們調(diào)用了 tesseract 命令，第一個參數(shù)為圖片名稱，第二個參數(shù) result 為結(jié)果保存的目標(biāo)文件名稱，-l 指定使用的語言包，在此使用 eng 英文，然后再用 cat 命令將結(jié)果輸出。
第二行的運行結(jié)果便是圖片的識別結(jié)果，Python3WebSpider。
我們可以看到這時已經(jīng)成功將圖片文字轉(zhuǎn)為電子文本了。
然后我們還可以利用 Python 代碼來測試，這里就需要借助于 Tesserocr 庫了，測試代碼如下：
import tesserocr
from PIL import Image
image = Image.open('image.png')
print(tesserocr.image_to_text(image))如果在運行期間python3閃退，出現(xiàn)下面錯誤：
!strcmp(locale, "C"):Error:Assert failed:in file baseapi.cpp, line 209就需要這樣運行了：
import locale locale.setlocale(locale.LC_ALL,'C') import tesserocr from PIL import Image image = Image.open('image.png') print(tesserocr.image_to_text(image))
在這里我們首先利用 Image 讀取了圖片文件，然后調(diào)用了 tesserocr 的 image_to_text() 方法，再將將其識別結(jié)果輸出。
運行結(jié)果：
Python3WebSpider另外我們還可以直接調(diào)用 file_to_text() 方法，也可以達(dá)到同樣的效果：
import tesserocr
print(tesserocr.file_to_text('image.png'))
Python資源分享qun 784758214 ,內(nèi)有安裝包，PDF，學(xué)習(xí)視頻，這里是Python學(xué)習(xí)者的聚集地，零基礎(chǔ)，進(jìn)階，都?xì)g迎運行結(jié)果：
Python3WebSpider如果成功輸出結(jié)果，則證明 Tesseract 和 Tesserocr 都已經(jīng)安裝成功。
看了以上LXML、BeautifulSoup、PyQuer等解析庫安裝教程介紹，希望能給大家在實際運用中帶來一定的幫助。本文由于篇幅有限，難免會有不足和需要補(bǔ)充的地方，大家可以繼續(xù)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊板塊，會定期給大家更新行業(yè)新聞和知識，如有需要更加專業(yè)的解答，可在官網(wǎng)聯(lián)系我們的24小時售前售后，隨時幫您解答問題的。
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)cdcxhl.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
