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。