Python写爬虫都用到什么库
Python爬虫，全称Python网络爬虫，是一种按照一定的规则，自动地抓取万维网信息的程序或脚本，主要用于抓取证券交易数据、天气数据、网站用户数据和图片数据等，Python为支持网络爬虫正常功能实现，内置了大量的库，主要有几种类型。下面本篇文章就来给大家介绍。
一、Python爬虫网络库
Python爬虫网络库主要包括：urllib、requests、grab、pycurl、urllib3、httplib2、RoboBrowser、MechanicalSoup、mechanize、socket、Unirest for Python、hyper、PySocks、treq以及aiohttp等。
二、Python网络爬虫框架
Python网络爬虫框架主要包括：grab、scrapy、pyspider、cola、portia、restkit以及demiurge等。
三、HTML/XML解析器?
●lxml：C语言编写高效HTML/ XML处理库。支持XPath。
●cssselect：解析DOM树和CSS选择器。
●pyquery：解析DOM树和jQuery选择器。
●BeautifulSoup：低效HTML/ XML处理库，纯Python实现。
●html5lib：根据WHATWG规范生成HTML/ XML文档的DOM。该规范被用在现在所有的浏览器上。
●feedparser：解析RSS/ATOM feeds。
●MarkupSafe：为XML/HTML/XHTML提供了安全转义的字符串。
●xmltodict：一个可以让你在处理XML时感觉像在处理JSON一样的Python模块。
●xhtml2pdf：将HTML/CSS转换为PDF。
●untangle：轻松实现将XML文件转换为Python对象。
四、文本处理
用于解析和操作简单文本的库。
●difflib：（Python标准库）帮助进行差异化比较。
●Levenshtein：快速计算Levenshtein距离和字符串相似度。
●fuzzywuzzy：模糊字符串匹配。
●esmre：正则表达式加速器。
●ftfy：自动整理Unicode文本，减少碎片化。
五、特定格式文件处理
解析和处理特定文本格式的库。
●tablib：一个把数据导出为XLS、CSV、JSON、YAML等格式的模块。
●textract：从各种文件中提取文本，比如 Word、PowerPoint、PDF等。
●messytables：解析混乱的表格数据的工具。
●rows：一个常用数据接口，支持的格式很多（目前支持CSV，HTML，XLS，TXT：将来还会提供更多！）。
在Python中，编写爬虫常用的库有以下几个：1. requests：用于发送HTTP请求，获取网页内容。2. BeautifulSoup：用于解析HTML或XML文档，提取所需的数据。3. Scrapy：一个功能强大的爬虫框架，提供了高效的数据抓取和处理功能。4. Selenium：用于模拟浏览器行为，实现动态网页的爬取。5. PyQuery：类似于jQuery的库，用于解析HTML文档，提取所需的数据。6. re：Python的正则表达式库，用于匹配和提取文本中的数据。7. pandas：用于数据处理和分析的库，可以方便地对爬取的数据进行处理和存储。八爪鱼采集器是一款功能全面、操作简单、适用范围广泛的互联网数据采集器。如果您需要采集数据，八爪鱼采集器可以为您提供智能识别和灵活的自定义采集规则设置，帮助您快速获取所需的数据。了解更多八爪鱼采集器的功能与合作案例，请前往官网了解更多详情
绛旓細1. requests requests搴撳簲璇ユ槸鐜板湪鍋氱埇铏渶鐏渶瀹炵敤鐨勫簱浜锛岄潪甯哥殑浜烘у寲銆傛湁鍏充簬瀹冪殑浣跨敤鎴戜箣鍓嶄篃鍐欒繃涓绡囨枃绔 涓璧风湅鐪婸ython涔婻equests搴 锛屽ぇ瀹跺彲浠ュ幓鐪嬩竴涓嬨2.urllib3 urllib3鏄竴涓潪甯稿己澶х殑http璇锋眰搴锛屾彁渚涗竴绯诲垪鐨勬搷浣淯RL鐨勫姛鑳姐3.selenium 鑷姩鍖栨祴璇曞伐鍏枫備竴涓皟鐢ㄦ祻瑙堝櫒鐨 driver锛岄氳繃...
绛旓細涓銆 璇锋眰搴 1. requests requests 绫诲簱鏄涓夋柟搴擄紝姣 Python 鑷甫鐨 urllib 绫诲簱浣跨敤鏂逛究鍜 2. selenium 鍒╃敤瀹冩墽琛屾祻瑙堝櫒鍔ㄤ綔锛屾ā鎷熸搷浣溿3. chromedriver 瀹夎chromedriver鏉ラ┍鍔╟hrome銆4. aiohttp aiohttp鏄紓姝ヨ姹傚簱锛屾姄鍙栨暟鎹椂鍙互鎻愬崌鏁堢巼銆備簩銆 瑙ｆ瀽搴 1. lxml lxml鏄疨ython...
绛旓細涓銆Python鐖櫕缃戠粶搴Python鐖櫕缃戠粶搴撲富瑕佸寘鎷細urllib銆乺equests銆乬rab銆乸ycurl銆乽rllib3銆乭ttplib2銆丷oboBrowser銆丮echanicalSoup銆乵echanize銆乻ocket銆乁nirest for Python銆乭yper銆丳ySocks銆乼req浠ュ強aiohttp绛夈備簩銆丳ython缃戠粶鐖櫕妗嗘灦Python缃戠粶鐖櫕妗嗘灦涓昏鍖呮嫭锛歡rab銆乻crapy銆乸yspider銆乧ola銆乸ortia銆乺estkit浠ュ強demi...
绛旓細浠ヤ笅鏄疨ython鐖櫕娑夊強鐨勭浉鍏冲簱璇锋眰搴擄紝瑙ｆ瀽搴擄紝瀛樺偍搴擄紝宸ュ叿搴1銆佽姹傚簱锛歶rllib/re/requests锛1锛 urllib/re鏄痯ython榛樿鑷甫鐨勫簱锛屽彲浠ラ氳繃浠ヤ笅鍛戒护杩涜楠岃瘉锛氭病鏈夋姤閿欎俊鎭緭鍑猴紝璇存槑鐜姝ｅ父锛2锛 requests瀹夎2.1 鎵撳紑CMD锛岃緭鍏 pip3 install requests2.2 绛夊緟瀹夎鍚庯紝楠岃瘉锛3锛 selenium瀹夎锛堥┍鍔ㄦ祻...
绛旓細Python涓湁寰堝浼樼鐨勭埇铏鏋讹紝甯哥敤鐨勬湁浠ヤ笅鍑犵锛1. Scrapy锛歋crapy鏄竴涓姛鑳藉己澶х殑寮婧愮埇铏鏋锛屽畠鎻愪緵浜嗗畬鏁寸殑鐖櫕娴佺▼鎺у埗鍜屾暟鎹鐞嗗姛鑳斤紝鏀寔寮傛鍜屽垎甯冨紡鐖彇锛岄傜敤浜庡ぇ瑙勬ā鐨勬暟鎹噰闆嗕换鍔°2. BeautifulSoup锛欱eautifulSoup鏄竴涓敤浜庤В鏋怘TML鍜孹ML鏂囨。鐨凱ython搴擄紝瀹冩彁渚涗簡绠鍗曠伒娲荤殑API锛屽彲浠ユ柟渚垮湴...
绛旓細1. requests 杩欎釜搴撴槸鐖櫕鏈甯哥敤鐨勪竴涓簱 2. Selenium Selenium 鏄竴涓嚜鍔ㄥ寲娴嬭瘯宸ュ叿锛屽埄鐢ㄥ畠鎴戜滑鍙互椹卞姩娴忚鍣ㄦ墽琛岀壒瀹氱殑鍔ㄤ綔锛屽鐐瑰嚮銆佷笅鎷夌瓑鎿嶄綔 瀵逛簬涓浜涚敤JS鍋璋婃煋鐨勯〉闈㈡潵璇达紝杩欑鎶撳彇鏂瑰紡鏄潪甯告湁鏁堢殑銆3.ChomeDrive 瀹夎浜嗚繖涓簱锛屾墠鑳介┍鍔–hrome娴忚鍣ㄥ畬鎴愮浉搴旂殑鎿嶄綔 4.GeckoDriver 浣跨敤W3C ...
绛旓細Python涓嬬殑鐖櫕搴锛屼竴鑸垎涓3绫汇傛姄鍙栫被 urllib(Python3)锛岃繖鏄疨ython鑷甫鐨勫簱锛屽彲浠ユā鎷熸祻瑙堝櫒鐨勮姹傦紝鑾峰緱Response鐢ㄦ潵瑙ｆ瀽锛屽叾涓彁渚涗簡涓板瘜鐨勮姹傛墜娈碉紝鏀寔Cookies銆丠eaders绛夊悇绫诲弬鏁帮紝浼楀鐖櫕搴撳熀鏈笂閮芥槸鍩轰簬瀹冩瀯寤虹殑銆傚缓璁涔犱簡瑙ｄ竴涓嬶紝鍥犱负鏈変簺缃曡鐨勯棶棰橀渶瑕侀氳繃搴曞眰鐨勬柟寮忚В鍐炽俽equests锛屽熀浜...
绛旓細Beautiful Soup锛氭暣鍚堜簡涓浜涘父鐢鐖櫕闇姹傘傚畠鏄竴涓彲浠ヤ粠HTML鎴朮ML鏂囦欢涓彁鍙栨暟鎹殑Python搴銆傚畠鑳藉閫氳繃浣犲枩娆㈢殑杞崲鍣ㄥ疄鐜版儻鐢ㄧ殑鏂囨。瀵艰埅,鏌ユ壘,淇敼鏂囨。鐨勫紡.Beautiful Soup浼氬府浣犺妭鐪佹暟灏忔椂鐢氳嚦鏁板ぉ鐨勫伐浣滄椂闂淬侭eautiful Soup鐨勭己鐐规槸涓嶈兘鍔犺浇JS銆俿elenium锛氳繖鏄竴涓皟鐢ㄦ祻瑙堝櫒鐨刣river锛岄氳繃杩欎釜搴撲綘鍙互...
绛旓細2.PySpider pyspider鏄竴涓鐢╬ython瀹炵幇鐨勫姛鑳藉己澶х殑缃戠粶鐖櫕绯荤粺锛岃兘鍦ㄦ祻瑙堝櫒鐣岄潰涓婅繘琛岃剼鏈殑缂栧啓锛屽姛鑳界殑璋冨害鍜岀埇鍙栫粨鏋滅殑瀹炴椂鏌ョ湅锛屽悗绔娇鐢ㄥ父鐢ㄧ殑鏁版嵁搴撹繘琛岀埇鍙栫粨鏋滅殑瀛樺偍锛岃繕鑳藉畾鏃惰缃换鍔′笌浠诲姟浼樺厛绾х瓑銆3.Crawley Crawley鍙互楂橀熺埇鍙栧搴旂綉绔欑殑鍐呭锛屾敮鎸佸叧绯诲拰闈炲叧绯绘暟鎹簱锛屾暟鎹彲浠ュ鍑轰负JSON銆...
绛旓細10銆丳ySpider锛氫竴涓浗浜缂栧啓鐨勫己澶х殑缃戠粶鐖櫕绯荤粺骞跺甫鏈夊己澶х殑WebUI銆閲囩敤Python璇█缂栧啓锛屽垎甯冨紡鏋舵瀯锛屾敮鎸佸绉嶆暟鎹簱鍚庣锛屽己澶х殑WebUI鏀寔鑴氭湰缂栬緫鍣紝浠诲姟鐩戣鍣紝椤圭洰绠＄悊鍣ㄤ互鍙婄粨鏋滄煡鐪嬪櫒銆侾ython鑴氭湰鎺у埗锛屽彲浠ョ敤浠讳綍浣犲枩娆㈢殑html瑙ｆ瀽鍖呫備互涓婂氨鏄垎浜殑Python鐖櫕涓鑸敤鐨勫崄澶т富娴佹鏋躲傝繖浜涙鏋剁殑浼樼己鐐...
