评论

收藏

[Hbase] 【愚公系列】2021年12月 python爬虫自动化-爬虫环境搭建

数据库 数据库 发布于:2021-12-28 16:18 | 阅读数:482 | 评论:0

一、数据的来源

1. 企业产生的用户数据
​​​https://tbi.tencent.com/​​​ 腾讯指数
​​​http://index.baidu.com/#/​​​ 百度指数

2. 数据平台购买数据:
数据堂:​​​http://www.datatang.com/index.html​​​
国云数据市场:
​​​http://www.moojnn.com/data-market/​​​

3. 政府、机构公开的数据:
国家统计局数据:
​​​http://www.moojnn.com/data-market/​​​
世界银行公开数据:
​​​https://data.worldbank.org.cn/​​​

4. 数据管理咨询公司:埃森哲,麦肯锡

5. 爬虫爬取

二、爬虫所需要的库:

1. urllib 标准库,无需安装,直接 import 使用

2. requests 库,需要安装
pip install requests

3. selenium 库,需要安装

pip install selenium
a) selenium 想要驱动 chrome 的话,需要专门的
chromedriver,下载地址:
​​​http://npm.taobao.org/mirrors/chromedriver/​​​
b) 需要注意的是,chromedriver 的版本必须要与自
己机器上的 chrome 版本相对应才可以
c) 将下载的驱动加压缩后(一个 exe 文件)放到
python 的安装目录下(比如 scripts 中),或者
新建一个文件夹专门存放这个 exe,但是要把这
个新建文件夹的路径添加到 path 中。
d) 如果要驱动其他浏览器,比如 IE 或者 Firefox,
也需要去下载对应的驱动

4. phantomJS ,官网下载
​​http://phantomjs.org/download.html​​

5. re #正则,标准库,不需要安装

6. BeautifulSoup,html/xml 解析库,需要安装
pip install beatifulsoup4

7. pyquery(可选)解析库,语法与 JQuery 类似

pip install pyquery

8. pymysql,MySQL 数据库驱动,需要安装

pip install pymysql






关注下面的标签,发现更多相似文章