# 1.3-解析库的安装 抓取网页代码之后，下一步就是从网页中提取信息。提取信息的方式有多种多样，可以使用正则来提取，但是写起来相对比较烦琐。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，利用它们，我们可以高效便捷地从网页中提取有效信息。 本节中，我们就来介绍一下这些库的安装过程。 ## 1.3.1　lxml 的安装 lxml 是 Python 的一个解析库，支持 HTML 和 XML 的解析，支持 XPath 解析方式，而且解析效率非常高。本节中，我们了解一下 lxml 的安装方式，这主要从 Windows、Linux 和 Mac 三大平台来介绍。 ### 1. 相关链接 * 官方网站： * GitHub： * PyPI： ### 2. Windows 下的安装 在 Windows 下，可以先尝试利用 pip 安装，此时直接执行如下命令即可： ``` pip3 install lxml ``` 如果没有任何报错，则证明安装成功。 如果出现报错，比如提示缺少 libxml2 库等信息，可以采用 wheel 方式安装。 推荐直接到这里，链接为 ，下载对应的 wheel 文件，找到本地安装 Python 版本和系统对应的 lxml 版本，例如 Windows 64 位、Python 3.6，就选择 lxml-3.8.0-cp36-cp36m-win\_amd64.whl，将其下载到本地。 然后利用 pip 安装即可，命令如下： ``` pip3 install lxml-3.8.0-cp36-cp36m-win_amd64.whl ``` 这样我们就可以成功安装 lxml 了。 ### 3. Linux 下的安装 在 Linux 平台下安装问题不大，同样可以先尝试 pip 安装，命令如下： ``` pip3 install lxml ``` 如果报错，可以尝试下面的解决方案。 #### CentOS、Red Hat 对于此类系统，报错主要是因为缺少必要的库。 执行如下命令安装所需的库即可： ``` sudo yum groupinstall -y development tools sudo yum install -y epel-release libxslt-devel libxml2-devel openssl-devel ``` 主要是 libxslt-devel 和 libxml2-devel 这两个库，lxml 依赖它们。安装好之后，重新尝试 pip 安装即可。 #### Ubuntu、Debian 和 Deepin 在这些系统下，报错的原因同样可能是缺少了必要的类库，执行如下命令安装： ``` sudo apt-get install -y python3-dev build-essential libssl-dev libffi-dev libxml2 libxml2-dev libxslt1-dev zlib1g-dev ``` 安装好之后，重新尝试 pip 安装即可。 ### 4. Mac 下的安装 在 Mac 平台下，仍然可以首先尝试 pip 安装，命令如下： ``` pip3 install lxml ``` 如果产生错误，可以执行如下命令将必要的类库安装： ``` xcode-select --install ``` 之后再重新尝试 pip 安装，就没有问题了。 lxml 是一个非常重要的库，后面的 Beautiful Soup、Scrapy 框架都需要用到此库，所以请一定安装成功。 ### 5. 验证安装 安装完成之后，可以在 Python 命令行下测试： ``` $ python3 >>> import lxml ``` 如果没有错误报出，则证明库已经安装好了。 ## 1.3.2　Beautiful Soup 的安装 Beautiful Soup 是 Python 的一个 HTML 或 XML 的解析库，我们可以用它来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，本节就来了解下它的安装方式。 ### 1. 相关链接 * 官方文档： * 中文文档： * PyPI： ### 2. 准备工作 Beautiful Soup 的 HTML 和 XML 解析器是依赖于 lxml 库的，所以在此之前请确保已经成功安装好了 lxml 库，具体的安装方式参见上节。 ### 3. pip 安装 目前，Beautiful Soup 的最新版本是 4.x 版本，之前的版本已经停止开发了。这里推荐使用 pip 来安装，安装命令如下： ``` pip3 install beautifulsoup4 ``` 命令执行完毕之后即可完成安装。 ### 4. wheel 安装 当然，我们也可以从 PyPI 下载 wheel 文件安装，链接如下： 然后使用 pip 安装 wheel 文件即可。 ### 5. 验证安装 安装完成之后，可以运行下面的代码验证一下： ```python from bs4 import BeautifulSoup soup = BeautifulSoup('<p>Hello</p>', 'lxml') print(soup.p.string) ``` 运行结果如下： ``` Hello ``` 如果运行结果一致，则证明安装成功。 注意，这里我们虽然安装的是 beautifulsoup4 这个包，但是在引入的时候却是 bs4。这是因为这个包源代码本身的库文件夹名称就是 bs4，所以安装完成之后，这个库文件夹就被移入到本机 Python3 的 lib 库里，所以识别到的库文件名就叫作 bs4。 因此，包本身的名称和我们使用时导入的包的名称并不一定是一致的。 ## 1.3.3　pyquery 的安装 pyquery 同样是一个强大的网页解析工具，它提供了和 jQuery 类似的语法来解析 HTML 文档，支持 CSS 选择器，使用非常方便。本节中，我们就来了解一下它的安装方式。 ### 1. 相关链接 * GitHub： * PyPI： * 官方文档： ### 2. pip 安装 这里推荐使用 pip 安装，命令如下： ``` pip3 install pyquery ``` 命令执行完毕之后即可完成安装。 ### 3. wheel 安装 当然，我们也可以到 PyPI 下载对应的 wheel 文件安装。比如如果当前版本为 1.2.17，则下载的文件名称为 pyquery-1.2.17-py2.py3-none-any.whl，此时下载到本地再进行 pip 安装即可，命令如下： ``` pip3 install pyquery-1.2.17-py2.py3-none-any.whl ``` ### 4. 验证安装 安装完成之后，可以在 Python 命令行下测试： ``` $ python3 >>> import pyquery ``` 如果没有错误报出，则证明库已经安装好了。 ## 1.3.4　tesserocr 的安装 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，这时候我们可以直接用 OCR 来识别。 ### 1. OCR OCR，即 Optical Character Recognition，光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。对于图形验证码来说，它们都是一些不规则的字符，这些字符确实是由字符稍加扭曲变换得到的内容。 ![](/files/-Ll_JwvtxiJIebSGh9_E) 图 1-21 验证码 ![](/files/-Ll_Jwvv4vPsINHq0aIz) 图 1-22 验证码 例如，对于如图 1-21 和图 1-22 所示的验证码，我们可以使用 OCR 技术来将其转化为电子文本，然后爬虫将识别结果提交给服务器，便可以达到自动识别验证码的过程。 tesserocr 是 Python 的一个 OCR 识别库，但其实是对 tesseract 做的一层 Python API 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。 ### 2. 相关链接 * tesserocr GitHub： * tesserocr PyPI： * tesseract 下载地址： * tesseract GitHub： * tesseract 语言包： * tesseract 文档： ### 3. Windows 下的安装 在 Windows 下，首先需要下载 tesseract，它为 tesserocr 提供了支持。 进入下载页面，可以看到有各种 .exe 文件的下载列表，这里可以选择下载 3.0 版本。图 1-23 所示为 3.05 版本。 ![](/files/-Ll_Jwvz87cXXnpX4RYj) 图 1-23 下载页面 其中文件名中带有 dev 的为开发版本，不带 dev 的为稳定版本，可以选择下载不带 dev 的版本，例如可以选择下载 tesseract-ocr-setup-3.05.01.exe。 下载完成后双击，此时会出现如图 1-24 所示的页面。 ![](/files/-Ll_Jww02YPrfiCmX9fD) 图 1-24 安装页面 此时可以勾选 Additional language data (download) 选项来安装 OCR 识别支持的语言包，这样 OCR 便可以识别多国语言。然后一路点击 Next 按钮即可。 接下来，再安装 tesserocr 即可，此时直接使用 pip 安装： ``` pip3 install tesserocr pillow ``` ### 4. Linux 下的安装 对于 Linux 来说，不同系统已经有了不同的发行包了，它可能叫作 tesseract-ocr 或者 tesseract，直接用对应的命令安装即可。 #### Ubuntu、Debian 和 Deepin 在 Ubuntu、Debian 和 Deepin 系统下，安装命令如下： ``` sudo apt-get install -y tesseract-ocr libtesseract-dev libleptonica-dev ``` #### CentOS、Red Hat 在 CentOS 和 Red Hat 系统下，安装命令如下： ``` yum install -y tesseract ``` 在不同发行版本运行如上命令，即可完成 tesseract 的安装。 安装完成后，便可以调用 tesseract 命令了。 接着，我们查看一下其支持的语言： ``` tesseract --list-langs ``` 运行结果示例： ``` List of available languages (3): eng osd equ ``` 结果显示它只支持几种语言，如果想要安装多国语言，还需要安装语言包，官方叫作 tessdata，其下载链接为：：。 利用 Git 命令将其下载下来并迁移到相关目录即可，不同版本的迁移命令如下所示。 在 Ubuntu、Debian 和 Deepin 系统下的迁移命令如下： ``` git clone https://github.com/tesseract-ocr/tessdata.git sudo mv tessdata/* /usr/share/tesseract-ocr/tessdata ``` 在 CentOS 和 Red Hat 系统下的迁移命令如下： ``` git clone https://github.com/tesseract-ocr/tessdata.git sudo mv tessdata/* /usr/share/tesseract/tessdata ``` 这样就可以将下载下来的语言包全部安装了。 这时我们重新运行列出所有语言的命令： ``` tesseract --list-langs ``` 结果如下： ``` List of available languages (107): afr amh ara asm aze aze_cyrl bel ben bod bos bul cat ceb ces chi_sim chi_tra ... ``` 可以发现，这里列出的语言就多了很多，比如 chi\_sim 就代表简体中文，这就证明语言包安装成功了。 接下来再安装 tesserocr 即可，这里直接使用 pip 安装： ``` pip3 install tesserocr pillow ``` ### 5. Mac 下的安装 在 Mac 下，我们首先使用 Homebrew 安装 ImageMagick 和 tesseract 库： ``` brew install imagemagick brew install tesseract --all-languages ``` 接下来再安装 tesserocr 即可： ``` pip3 install tesserocr pillow ``` 这样我们便完成了 tesserocr 的安装。 ### 6. 验证安装 接下来，我们可以使用 tesseract 和 tesserocr 来分别进行测试。 下面我们以如图 1-25 所示的图片为样例进行测试。 ![](/files/-Ll_Jww5omdtxller1ah) 图 1-25 测试样例 该图片的链接为 ，可以直接保存或下载。 首先用命令行进行测试，将图片下载下来并保存为 image.png，然后用 tesseract 命令测试： ``` tesseract image.png result -l eng && cat result.txt ``` 运行结果如下： ``` Tesseract Open Source OCR Engine v3.05.01 with Leptonica Python3WebSpider ``` 这里我们调用了 tesseract 命令，其中第一个参数为图片名称，第二个参数 result 为结果保存的目标文件名称，-l 指定使用的语言包，在此使用英文（eng）。然后，再用 cat 命令将结果输出。 运行结果便是图片的识别结果：Python3WebSpider。可以看到，这时已经成功将图片文字转为电子文本了。 然后还可以利用 Python 代码来测试，这里就需要借助于 tesserocr 库了，测试代码如下： ```python import tesserocr from PIL import Image image = Image.open('image.png') print(tesserocr.image_to_text(image)) ``` 我们首先利用 Image 读取了图片文件，然后调用了 tesserocr 的 image\_to\_text 方法，再将其识别结果输出。 运行结果如下： ``` Python3WebSpider ``` 另外，我们还可以直接调用 file\_to\_text 方法，这可以达到同样的效果： ``` import tesserocr print(tesserocr.file_to_text('image.png')) ``` 运行结果： ``` Python3WebSpider ``` 如果成功输出结果，则证明 tesseract 和 tesserocr 都已经安装成功。 --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://python3webspider.cuiqingcai.com/1.3-jie-xi-ku-de-an-zhuang.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.