首页 > 编程语言 >Python常用库

Python常用库

时间:2022-10-18 11:35:18浏览次数:49  
标签:常用 HTTP Python re 字符串 解析 正则表达式

一、python爬虫常用库

Python 在编写网络爬虫常用到库主要包括urllib、requests、lxml、fake-useragent、bs4(BeautifulSoup)、grab、pycurl、urllib3、httplib2、RoboBrowser 、MechanicalSoup、mechanize、socket、Unirest for Python、hyper、PySocks、treq、aiohttp等。

1、请求库:实现 HTTP 请求操作

  • urllib:一系列用于操作URL的功能。

  • requests:基于 urllib 编写的,阻塞式 HTTP 请求库,发出一个请求,一直等待服务器响应后,程序才能进行下一步处理。

  • selenium:自动化测试工具。一个调用浏览器的 driver,通过这个库你可以直接调用浏览器完成某些操作,比如输入验证码。

  • aiohttp:基于 asyncio 实现的 HTTP 框架。异步操作借助于 async/await 关键字,使用异步库进行数据抓取,可以大大提高效率。

 

2、解析库:从网页中提取信息

  • beautifulsoup:html 和 XML 的解析,从网页中提取信息,同时拥有强大的API和多样解析方式。

  • pyquery:jQuery 的 Python 实现,能够以 jQuery 的语法来操作解析 HTML 文档,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:一个 OCR 库,在遇到验证码(图形验证码为主)的时候,可直接用 OCR 进行识别。


3、存储库:Python 与数据库交互

  • pymysql:一个纯 Python 实现的 MySQL 客户端操作库。

  • pymongo:一个用于直接连接 mongodb 数据库进行查询操作的库。

  • redisdump:一个用于 redis 数据导入/导出的工具。基于 ruby 实现的,因此使用它,需要先安装 Ruby。

 

4、爬虫框架

  • Scrapy:很强大的爬虫框架,可以满足简单的页面爬取(比如可以明确获知url pattern的情况)。用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。但是对于稍微复杂一点的页面,如 weibo 的页面信息,这个框架就满足不了需求了。

  • Crawley:高速爬取对应网站的内容,支持关系和非关系数据库,数据可以导出为 JSON、XML 等。

  • Portia:可视化爬取网页内容。

  • newspaper:提取新闻、文章以及内容分析。

  • python-goose:java 写的文章提取工具。

  • cola:一个分布式爬虫框架。项目整体设计有点糟,模块间耦合度较高。

 

5、Web 框架库

  • flask:轻量级的 web 服务程序,简单,易用,灵活,主要来做一些 API 服务。做代理时可能会用到。

  • django:一个 web 服务器框架,提供了一个完整的后台管理,引擎、接口等,使用它可做一个完整网站。

 

6、Re库的基本使用

Re库是Python的标准库,主要用于字符串匹配。

(1)调用方式

import re

 

(2)正则表达式的表示类型:

  • raw string类型(原生字符串类型)
re库采用raw string类型表示正则表达式,表示为:r'text'
例如:r'[1-9]\d{5}'
raw string是指不包含转义符的字符串
  • string类型,更繁琐
例如:'[1-9]\\d{5}';'\\d{3}-\\d{8}|\\d{4}-\\d{7}'

当正则表达式包含转义符时,建议使用raw string类型来表示正则表达式。

 

(3)Re库主要功能函数

 

  • re.search():在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象

  • re.match():从一个字符串的开始位置起匹配正则表达式,返回match对象

  • re.findall():搜索字符串,以列表类型返回全部能匹配的字符串

  • re.split():将一个字符串按照正则表达式匹配结果进行分割,返回列表类型

  • re.finditer():搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象

  • re.sub():在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串

  • re.compile() :返回的是一个匹配对象,它单独使用就没有任何意义,需要和findall(), search(), match()搭配使用。

 

实现 HTTP 请求操作。

1、urllib库

一系列用于操作URL的功能。

(1)安装

 

  • requests:基于 urllib 编写的,阻塞式 HTTP 请求库,发出一个请求,一直等待服务器响应后,程序才能进行下一步处理。
  • selenium:自动化测试工具。一个调用浏览器的 driver,通过这个库你可以直接调用浏览器完成某些操作,比如输入验证码。
  • aiohttp:基于 asyncio 实现的 HTTP 框架。异步操作借助于 async/await 关键字,使用异步库进行数据抓取,可以大大提高效率。

标签:常用,HTTP,Python,re,字符串,解析,正则表达式
From: https://www.cnblogs.com/qtiger/p/16802017.html

相关文章

  • 「http代理」Python-Scrapy 代码样例(四)
    http代理使用提示1.http/https网页均可适用2.scrapy不是python原生库,需要安装才能使用:pipinstallscrapy3.在第一级tutorial目录下运行如下命令查看......
  • Java常用框架有哪些?
    原文链接:https://blog.csdn.net/mt776333/article/details/123432030全新java前后端开发需掌握的框架及技术:https://blog.csdn.net/qq_41134427/article/details/11833366......
  • 「http代理」Python-Scrapy 代码样例(三)
    http代理使用提示1.http/https网页均可适用2.scrapy不是python原生库,需要安装才能使用:pipinstallscrapy3.在第一级tutorial目录下运行如下命令查看......
  • Jmeter 性能测试常用图表及组件
    前提:通过pluginsManager下载好jpgc-StandardSet1.ConcurrencyThreadGroup线程组(阶梯线程组)添加方式:测试计划-->线程(用户)-->ConcurrencyThreadGroup参数:Tar......
  • Python创建虚拟环境
    Python创建虚拟环境目录Python创建虚拟环境1命令行下1.1virtualenv1.2创建虚拟环境1.3激活/退出虚拟环境1.4删除虚拟环境1命令行下1.1virtualenvpip3installv......
  • git 常用命令
    git是最常用的版本控制工具基本命令gitinitgitinit初始化本地仓库gitstatusgitstatus查看git状态gitaddgitaddfilename向本地仓库增加一个修改项。添......
  • python+clickhouse
    1.关于使用客户端能链接成功而使用代码无法访问clickhouse的问题clikchouse有两种链接方式:http端口默认为8123,tcp默认接口为9000使用客户端链接时用8123端口,而代码中就......
  • 【Python基础学习】第二节 列表操作
    Python基础学习之列表操作1.列表的增,删,改,查1.1列表的增加,常用的方法有:append,extent,incertappend()在列表的最后面增加元素;heros=['马里奥','路易斯','林......
  • python 如何将QueryDict转化为dict | 18
    假设我有以下QueryDict:<QueryDict:{u'num':[0],u'var1':[u'value1',u'value2'],u'var2':[u'8']}>我想要一本这样的字典,例如:{'num':[0],'var1':['value1','value2'......
  • Python基础 字符串方法
    1、字符串首字母大写i="shulei_xiaoxin"S=i.capitalize()print(S)Shulei_xiaoxin2、字符串全部大写或小写i="shuLEI_XIAOxin"S=i.upper()S1=i.lower()......