python解析库的安装

当我们抓取网页代码后，下一步就从网页中提取信息，提取信息的方式有多种多样，可以使用正则来提取，但很繁琐。所以我们要用强大的解析库来操作：如lxml，Beautiful Soup，pyquery等；还有非常强大的解析方法：如XPath和CSS选择器解析等。有了他们，我们就可以高效从网页中提取有效信息。

1. lxml简介和安装

lxml是python的一个解析库，支持html和xml的解析库，支持XPath解析方式，解析效率非常高。
1 windows下简单粗暴安装方法：pip install lxml，如果pip有问题，可以用wheel方式安装，网上搜一个对应版本的lxml-xxx.whl包， 然后用 pip install lxml-xxx.whl；

2. Beautiful Soup简介和安装

Beautiful Soup是python的一个解析库，支持html和xml的解析库，可以用它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，
安装方式：pip install beautifulsoup4 或者使用wheel方式安装

3. pyquery简介和安装

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。
安装方式：pip install pyquery 或者 使用wheel方式安装

4. tesserocr简介和安装

在爬取过程中，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，这时可以用OCR识别（OCR:Optical Character Recognition，光学字符识别，通过扫描字符，将形状翻译成电子文本的过程）

tesserocr是python的一个OCR识别库，但其实是tessract做的一层Python API封装，所以它的核心是tesseract，因此，安装tesserocr之前，要安装tesseract。

windows下的安装，先下载tesseract，它提供了tesserocr的支持；
下载之后是一个.exe文件直接安装就好；安装时可以勾选Additional language data（download）选项来安装OCR识别支持的语言包。
安装完成后，在安装tersserocr，
安装命令：pip install tesserocr pillow
在安装tesserocr时报错了，没办法只能自己找个wheel文件下载了。安装成功，下载成功的.whl文件，这样安装：pip install E:\tesserocr-2.4.0-cp37-cp37m-win_amd64.whl 然后在安装pip install pillow

安装完后测试一下：识别一下这个地址的图片上得东西：https://raw.githubusercontent.com/Python3WebSpider/TestTess/master/image.png

将图片下载到本地：
然后使用命令：

打开result.txt看看识别的情况

我们在用tesserocr试一试：
在python环境下