极客教程用于网络爬取的Python 模块
在本章中，让我们学习各种可以用于网络爬虫的 Python 模块。
使用 virtualenv 的 Python 开发环境
Virtualenv 是一个创建隔离的 Python 环境的工具。在virtualenv的帮助下，我们可以创建一个文件夹，其中包含所有必要的可执行文件，以使用我们的Python项目所需要的包。它还允许我们添加和修改Python模块而不需要访问全局安装。
你可以使用下面的命令来安装 virtualenv --
现在，我们需要创建一个目录，在以下命令的帮助下，该目录将代表该项目。
现在，在以下命令的帮助下，进入该目录 —
现在，我们需要初始化我们选择的虚拟环境文件夹，如下所示
现在，用下面的命令激活这个虚拟环境。一旦成功激活，你会在左边的括号里看到它的名字。
我们可以在这个环境中安装任何模块，如下所示
对于停用虚拟环境，我们可以使用以下命令—-。
你可以看到(websc)已经被停用了。
用于网络爬虫的Python模块
网络爬虫是构建一个代理的过程，它可以从网络上自动爬取、解析、下载和组织有用的信息。换句话说，网络爬虫软件将根据我们的要求自动从多个网站加载和爬取数据，而不是手动保存网站上的数据。
在本节中，我们将讨论用于网络爬取的有用的Python库。
Requests
它是一个简单的Python网络爬虫库。它是一个高效的HTTP库，用于访问网页。在 Requests 的帮助下，我们可以获得网页的原始HTML，然后进行解析以检索数据。在使用 Request 之前，让我们了解它的安装。
安装Request
我们可以把它安装在我们的虚拟环境或全局安装中。在 pip 命令的帮助下，我们可以轻松地安装它，如下所示
例子
在这个例子中，我们正在对一个网页进行GET HTTP请求。为此，我们需要首先导入请求库，如下所示
在下面这行代码中，我们使用request对url:https: //authoraditiagarwal.com/进行GET HTTP请求。
现在我们可以通过使用 .text 属性来检索内容，如下所示
请注意，在下面的输出中，我们得到了前200个字符。
Urllib3
它是另一个Python库，可用于从URL中检索数据，类似于 request 库。你可以在它的技术文档中阅读更多的内容：https://urllib3.readthedocs.io/en/latest/ 。
安装Urllib3
使用 pip 命令，我们可以将 urllib3 安装在我们的虚拟环境或全局安装中。
例子:使用Urlib3和BeautifulSoup进行爬取
在下面的例子中，我们通过使用 Urlib3 和 BeautifulSoup 来爬取网页 。 我们在请求库中使用 Ullib3 来获取网页上的原始数据（HTML）。然后我们使用 BeautifulSoup 来解析这些HTML数据。
This is the output you will observe when you run this code −
Selenium
它是一个开放源码的自动化测试套件，适用于不同浏览器和平台的网络应用。它不是一个单一的工具，而是一个软件套件。我们有Python、Java、C#、Ruby和JavaScript的Selenium绑定。在这里，我们将通过使用Selenium和它的Python绑定来进行网络爬取。你可以在Selenium . NET的链接中了解更多关于Selenium与Java的信息。
Selenium Python绑定提供了一个方便的API来访问Selenium WebDrivers，如Firefox, IE, Chrome, Remote等。目前支持的Python版本是2.7、3.5及以上。
安装Selenium
使用 pip 命令，我们可以将 urllib3 安装在我们的虚拟环境或全局安装中。
由于Selenium需要一个驱动来与所选的浏览器对接，我们需要下载它。下表显示了不同的浏览器和它们的下载链接。
| 浏览器 | https://sites.google.com/a/chromium.org/ |
|---|---|
| Edge 浏览器 | https://developer.microsoft.com/ |
| 火狐 | https://github.com/ |
| 浏 览器 | https://webkit.org/ |
例子
这个例子显示了使用Selenium进行网络爬虫。它也可以用于测试，也就是所谓的Selenium测试。
在为指定版本的浏览器下载了特定的驱动程序后，我们需要用Python进行编程。
首先，需要从selenium导入 webdriver ，如下所示
现在，根据我们的要求，提供我们已经下载的网络驱动器的路径
现在，提供我们想在网络浏览器中打开的网址，现在由我们的Python脚本控制。
我们也可以通过提供lxml中提供的xpath来搜刮一个特定的元素。
你可以检查由Python脚本控制的浏览器的输出情况。
Scrapy
Scrapy是一个用Python编写的快速、开源的网络爬取框架，用于在基于XPath的选择器的帮助下从网页上爬取数据。Scrapy于2008年6月26日首次发布，采用BSD授权，2015年6月发布了里程碑式的1.0版本。它为我们提供了从网站中爬取、处理和构造数据所需的所有工具。
安装Scrapy
使用 pip 命令，我们可以将 urllib3 安装在我们的虚拟环境或全局安装中。