爬蟲的編程語言有不少,但 Python 絕對是其中的主流之一。下面就為大家介紹下 Python 在編寫網絡爬蟲常常用到的一些庫。
請求庫：實現 HTTP 請求操作
- urllib：一系列用於操作URL的功能。
- requests：基於 urllib 編寫的，阻塞式 HTTP 請求庫，發出一個請求，一直等待服務器響應后，程序才能進行下一步處理。
- selenium：自動化測試工具。一個調用瀏覽器的 driver，通過這個庫你可以直接調用瀏覽器完成某些操作，比如輸入驗證碼。
- aiohttp：基於 asyncio 實現的 HTTP 框架。異步操作借助於 async/await 關鍵字，使用異步庫進行數據抓取，可以大大提高效率。
解析庫：從網頁中提取信息
- beautifulsoup：html 和 XML 的解析,從網頁中提取信息，同時擁有強大的API和多樣解析方式。
- pyquery：jQuery 的 Python 實現，能夠以 jQuery 的語法來操作解析 HTML 文檔，易用性和解析速度都很好。
- lxml：支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高。
- tesserocr：一個 OCR 庫，在遇到驗證碼（圖形驗證碼為主）的時候，可直接用 OCR 進行識別。
存儲庫：Python 與數據庫交互
- pymysql：一個純 Python 實現的 MySQL 客戶端操作庫。
- pymongo：一個用於直接連接 mongodb 數據庫進行查詢操作的庫。
- redisdump：一個用於 redis 數據導入/導出的工具。基於 ruby 實現的，因此使用它，需要先安裝 Ruby。
爬蟲框架
- Scrapy：很強大的爬蟲框架，可以滿足簡單的頁面爬取（比如可以明確獲知url pattern的情況）。用這個框架可以輕松爬下來如亞馬遜商品信息之類的數據。但是對於稍微復雜一點的頁面，如 weibo 的頁面信息，這個框架就滿足不了需求了。
- Crawley：高速爬取對應網站的內容，支持關系和非關系數據庫，數據可以導出為 JSON、XML 等。
- Portia：可視化爬取網頁內容。
- newspaper：提取新聞、文章以及內容分析。
- python-goose：java 寫的文章提取工具。
- cola：一個分布式爬蟲框架。項目整體設計有點糟，模塊間耦合度較高。
Web 框架庫
- flask：輕量級的 web 服務程序，簡單，易用，靈活，主要來做一些 API 服務。做代理時可能會用到。
- django：一個 web 服務器框架，提供了一個完整的后台管理，引擎、接口等，使用它可做一個完整網站。
相關推薦：