爬蟲的編程語言有不少,但 Python 絕對(duì)是其中的主流之一。下面就為大家介紹下 Python 在編寫網(wǎng)絡(luò)爬蟲常常用到的一些庫。
請(qǐng)求庫：實(shí)現(xiàn) HTTP 請(qǐng)求操作
- urllib：一系列用于操作URL的功能。
- requests：基于 urllib 編寫的，阻塞式 HTTP 請(qǐng)求庫，發(fā)出一個(gè)請(qǐng)求，一直等待服務(wù)器響應(yīng)后，程序才能進(jìn)行下一步處理。
- selenium：自動(dòng)化測試工具。一個(gè)調(diào)用瀏覽器的 driver，通過這個(gè)庫你可以直接調(diào)用瀏覽器完成某些操作，比如輸入驗(yàn)證碼。
- aiohttp：基于 asyncio 實(shí)現(xiàn)的 HTTP 框架。異步操作借助于 async/await 關(guān)鍵字，使用異步庫進(jìn)行數(shù)據(jù)抓取，可以大大提高效率。
解析庫：從網(wǎng)頁中提取信息
- beautifulsoup：html 和 XML 的解析,從網(wǎng)頁中提取信息，同時(shí)擁有強(qiáng)大的API和多樣解析方式。
- pyquery：jQuery 的 Python 實(shí)現(xiàn)，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(gè) OCR 庫，在遇到驗(yàn)證碼（圖形驗(yàn)證碼為主）的時(shí)候，可直接用 OCR 進(jìn)行識(shí)別。
存儲(chǔ)庫：Python 與數(shù)據(jù)庫交互
- pyMySQL：一個(gè)純 Python 實(shí)現(xiàn)的 MySQL 客戶端操作庫。
- pymongo：一個(gè)用于直接連接 mongodb 數(shù)據(jù)庫進(jìn)行查詢操作的庫。
- redisdump：一個(gè)用于 redis 數(shù)據(jù)導(dǎo)入/導(dǎo)出的工具。基于 ruby 實(shí)現(xiàn)的，因此使用它，需要先安裝 Ruby。
爬蟲框架
- Scrapy：很強(qiáng)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(gè)框架可以輕松爬下來如亞馬遜商品信息之類的數(shù)據(jù)。但是對(duì)于稍微復(fù)雜一點(diǎn)的頁面，如 weibo 的頁面信息，這個(gè)框架就滿足不了需求了。
- Crawley：高速爬取對(duì)應(yīng)網(wǎng)站的內(nèi)容，支持關(guān)系和非關(guān)系數(shù)據(jù)庫，數(shù)據(jù)可以導(dǎo)出為 JSON、XML 等。
- Portia：可視化爬取網(wǎng)頁內(nèi)容。
- newspaper：提取新聞、文章以及內(nèi)容分析。
- python-goose：JAVA 寫的文章提取工具。
- cola：一個(gè)分布式爬蟲框架。項(xiàng)目整體設(shè)計(jì)有點(diǎn)糟，模塊間耦合度較高。
Web 框架庫
- flask：輕量級(jí)的 web 服務(wù)程序，簡單，易用，靈活，主要來做一些 API 服務(wù)。做代理時(shí)可能會(huì)用到。
- django：一個(gè) web 服務(wù)器框架，提供了一個(gè)完整的后臺(tái)管理，引擎、接口等，使用它可做一個(gè)完整網(wǎng)站。
