【Python3 爬虫学习笔记】解析库的安装

抓取网页代码之后，下一步就是从页面中提取信息。提取信息的方式多种多样，可以使用正则来提取，但是写起来相对比较繁琐。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。

一、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。
1.相关链接

• 官方网站：http://lxml.de
• GitHub：https://github.com/lxml/lxml
• PyPI：https://pypi.python.org/pypi/lxml

2.安装

pip3 install lxml

二、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。Beautiful Soup的HTML和XML解析器是依赖lxml库的，所以在此之前要确保已经成功安装lxml库。
pip安装

pip3 install beautifulsoup4

三、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。
pip安装

pip3 install pyquery

四、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。

安装
在Windows下，首先需要下载tesseract，下载地址为：http://digi.bib.uni-mannheim.de/tesseract。
下载完成后双击，勾选Addition language data选项来安装OCR识别支持的语言包，这样OCR边可以识别多国语言。
接下来，再安装tesserocr，使用pip安装：

pip3 install tesserocr pillow