1.1 进入python官网，点击menu->downloads,网址：Download Python
1.2 根据系统选择32位还是64位，这里下载的可执行exe为64位安装包
2.1 双击打开安装包，选择自定义路径(注意安装路径中尽量不要含有有中文或者空格)，然后选中Add Python 3.5 to PATH(将Python安装路径添加到系统变量Path中，这样做以后在任意目录下都可以执行pyhton命令了)
2.2 默认全选，Next
2.3 修改安装路径，勾选加上Install for all user为所有用户安装和Precompile standard library 预编译标准库，然后点击Install
2.4 等待安装完成
2.5 验证，使用快捷键win + R 或 右键开始选择运行，输入cmd回车，打开命令提示符窗口，然后输入python->回车，若出现python版本信息则软件安装完成
3.1 安装lxml库，由于直接使用pip lxml 对于3.0x以上的版本来说经常会出现版本不适应而失败，所以这里介绍直接使用whl文件安装
3.1.1 下载对应python3.5版本的lxml库，下载网址：http://img2.100weidu.com/get?src=http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
3.1.2 同检查python是否安装成功一样，使用快捷键win + R 或 右键开始选择运行，输入cmd回车，打开命令提示符窗口，然后
pip install E:\demo\lxml-3.6.4-cp35-cp35m-win_amd64.whl（下载的lxml库whl文件存放路径）
可能碰到问题，pip的版本低了，需要更新一下pip的版本。更新pip版本命令:
python -m pip install -U pip
更新完成后，再次使用pip命令:
pip install E:\demo\lxml-3.6.4-cp35-cp35m-win_amd64.whl
3.2 Lxml库安装成功后，环境就准备好了, 可以开始敲代码了
3.2.1 引入Gooseeker规则提取器模块gooseeker.py（引入该模块的原因和价值），在自定义目录下创建gooseeker.py文件，如：这里为E:\Demo\gooseeker.py，再以记事本打开，复制下面的代码粘贴
#!/usr/bin/python# -*- coding: utf-8 -*-# 模块名: gooseeker# 类名: GsExtractor# Version: 2.0# 说明: html内容提取器# 功能: 使用xslt作为模板，快速提取HTML DOM中的内容。# released by 集搜客(http://img2.100weidu.com/get?src=http://www.gooseeker.com) on May 18, 2016# github: http://img2.100weidu.com/get?src=http://github.com/FullerHua/jisou/core/gooseeker.pyfrom urllib import requestfrom urllib.parse import quotefrom lxml import etreeimport timeclass GsExtractor(object):
def _init_(self):
self.xslt = ""
# 从文件读取xslt
def setXsltFromFile(self , xsltFilePath):
file = open(xsltFilePath , 'r' , encoding='UTF-8')
try:
self.xslt = file.read()
finally:
file.close()
# 从字符串获得xslt
def setXsltFromMem(self , xsltStr):
self.xslt = xsltStr
# 通过GooSeeker API接口获得xslt
def setXsltFromAPI(self , APIKey , theme, middle=None, bname=None):
apiurl = "http://img2.100weidu.com/get?src=http://www.gooseeker.com/api/getextractor?key="+ APIKey +"&theme="+quote(theme)
if (middle):
apiurl = apiurl + "&middle="+quote(middle)
if (bname):
apiurl = apiurl + "&bname="+quote(bname)
apiconn = request.urlopen(apiurl)
self.xslt = apiconn.read()
# 返回当前xslt
def getXslt(self):
return self.xslt
# 提取方法，入参是一个HTML DOM对象，返回是提取结果
def extract(self , html):
xslt_root = etree.XML(self.xslt)
transform = etree.XSLT(xslt_root)
result_tree = transform(html)
return result_tree
# 提取方法，入参是html源码，返回是提取结果
def extractHTML(self , html):
doc = etree.HTML(html)
return self.extract(doc)
3.2.2 在提取器模块gooseeker.py同级目录下创建一个.py后缀文件，如这里为E:\Demo\first.py，再以记事本打开，敲入代码:
# -*- coding: utf-8 -*-# 使用gsExtractor类的示例程序# 访问集搜客论坛，以xslt为模板提取论坛内容# xslt保存在xslt_bbs.xml中# 采集结果保存在result.xml中import osfrom urllib import requestfrom lxml import etreefrom gooseeker import GsExtractor# 访问并读取网页内容url = "http://img2.100weidu.com/get?src=http://www.gooseeker.com/cn/forum/7"conn = request.urlopen(url)doc = etree.HTML(conn.read())bbsExtra = GsExtractor() bbsExtra.setXsltFromAPI("31d24931e043e2d5364d03b8ff9cc77e" , "gooseeker_bbs_xslt") # 设置xslt抓取规则result = bbsExtra.extract(doc) # 调用extract方法提取所需内容# 当前目录current_path = os.getcwd()file_path = current_path + "/result.xml"# 保存结果open(file_path,"wb").write(result)# 打印出结果print(str(result).encode('gbk','ignore').decode('gbk'))
3.2.3 执行first.py，使用快捷键win + R 或 右键开始选择运行，输入cmd回车，打开命令提示窗口，进入first.py文件所在目录，输入命令 :python first.py 回车
3.2.4 查看保存结果文件,进入first.py文件所在目录，查看名称为result的xml文件（即采集结果）
安装步骤还是很简单，主要需要注意的是：
1. 对应系统版本安装；
2. 将安装路径加入系统环境变量Path。
后面将会讲到如何结合Scrapy快速开发Python爬虫。
GooSeeker开源Python网络爬虫GitHub源
End.
作者：fullerhua （中国统计网特邀认证作者）
本文为中国统计网原创文章，需要转载请联系中国统计网（小编微信：itongjilove），转载时请注明作者及出处，并保留本文链接。
