10个高效的Python爬虫框架

​
前言
小型爬虫需求，requests库+bs4库就能解决；大型爬虫数据，尤其涉及异步抓取、内容管理及后续扩展等功能时，就需要用到爬虫框架了。

下面介绍了10个爬虫框架，大家可以学习使用！

1. Scrapy scrapy

官网：https://scrapy.org/

scrapy中文文档：https://www.osgeo.cn/scrapy/intro/o

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

其最初是为了 页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

Scrapy框架是一套比较成熟的Python爬虫框架，可以高效的爬取web页面并提取出结构化数据，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。

2. PySpider

PySpider 中文网：http://www.pyspider.cn

PySpider 官网：http://docs.pyspider.org

PySpider 演示：http://demo.pyspider.org

PySpider 源码：https://github.com/binux/pyspider

PySpider是一个国人编写的强大的网络爬虫系统并带有强大的WebUI，其用python实现的功能强大的网络爬虫系统，能在浏览器界面上进行脚本的编写，功能的调度和爬取结果的实时查看，后端使用常用的数据库进行爬取结果的存储，还能定时设置任务与任务优先级等。

pyspider 是一个用python实现的功能强大的网络爬虫系统，能在浏览器界面上进行脚本的编写，功能的调度和爬取结果的实时查看，后端使用常用的数据库进行爬取结果的存储，还能定时设置任务与任务优先级等。

3. Crawley

Crawley可以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。

4. Portia

官网：https://portia.scrapinghub.com/

Portia是一个开源可视化爬虫工具，可让您在不需要任何编程知识的情况下爬取网站！简单地注释您感兴趣的页面，Portia将创建一个蜘蛛来从类似的页面提取数据。其主要特征是： Portia是一款不需要任何编程知识就能爬取网页的爬虫框架，只要将相关信息填好之后，就可以爬取网站了。 基于 scrapy 内核

可视化爬取内容，不需要任何开发专业知识

动态匹配相同模板的内容

​5. Newspaper

官方文档：Quickstart - newspaper 0.0.2 documentation

github地址：https://github.com/codelucas/newspaper

Newspaper可以用来提取新闻、文章和内容分析。使用多线程，支持10多种语言等。作者从requests库的简洁与强大得到灵感，使用python开发的可用于提取文章内容的程序。支持10多种语言并且所有的都是unicode编码。   Newspaper框架是一个用来提取新闻、文章以及内容分析的Python爬虫框架。

6. Beautiful Soup

官方文档：Beautiful Soup 4.4.0 文档

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间。这个我是使用的特别频繁的。在获取html元素，都是bs4完成的。

Beautiful Soup整合了一些常用的爬虫需求，可以从HTML或XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航、查找、修改文档的方式，会帮你节省数小时甚至数天的工作时间。

7. Grab

官网：https://grablib.org/en/latest/

Grab是一个用于构建Web刮板的Python框架。借助Grab，您可以构建各种复杂的网页抓取工具，从简单的5行脚本到处理数百万个网页的复杂异步网站抓取工具。  Grab提供一个API用于执行网络请求和处理接收到的内容，例如与HTML文档的DOM树进行交互。

Grab可以构建各种复杂的网页抓取工具，从简单的5行脚本到处理数百万个网页的复杂异步网站抓取工具。

8. Cola

github地址：https://github.com/qinxuye/cola

Cola是一个分布式的爬虫框架，对于用户来说，只需编写几个特定的函数，而无需关注分布式运行的细节。任务会自动分配到多台机器上，整个过程对用户是透明的。

9. Selenium

官网：https://www.selenium.dev/

Selenium 是自动化测试工具。它支持各种浏览器，包括 Chrome，Safari，Firefox 等主流界面式浏览器，如果在这些浏览器里面安装一个 Selenium 的插件，可以方便地实现Web界面的测试. Selenium 支持浏览器驱动。

Selenium支持多种语言开发，比如 Java，C，Ruby等等，PhantomJS 用来渲染解析JS，Selenium 用来驱动以及与 Python 的对接，Python 进行后期的处理。

它支持各种主流界面式浏览器，如果在这些浏览器里面安装一个 Selenium 的插件，可以方便地实现Web界面的测试。

10. Python-goose

github地址：https://github.com/goose3/goose

Python-goose框架可提取包括文章内容、文章图片、文章中嵌入的任何视频、元描述、元标签。