常用Python爬虫库汇总

落日映苍穹つ 2024-04-24 23:27 5阅读 0赞

很多人学Python，都是从爬虫开始的，毕竟网上类似的资源很丰富，开源项目也非常多。

Python学习网络爬虫主要分3个大的版块： **抓取** ， **分析** ， **存储**

当我们在浏览器中输入一个url后回车，后台会发生什么？

简单来说这段过程发生了以下四个步骤：

•查找域名对应的IP地址。  
•向IP对应的服务器发送请求。  
•服务器响应请求，发回网页内容。  
•浏览器解析网页内容。

### 那么学习爬虫需要掌握哪些库呢 ###

#### 通用： ####

1.urllib -网络库(stdlib)。  
2.requests -网络库。  
3.grab – 网络库（基于pycurl）。  
4.pycurl – 网络库（绑定libcurl）。  
5.urllib3 – Python HTTP库，安全连接池、支持文件post、可用性高。  
6.httplib2 – 网络库。  
7.RoboBrowser – 一个简单的、极具Python风格的Python库，无需独立的浏览器即可浏览网页。  
8.MechanicalSoup -一个与网站自动交互Python库。  
9.mechanize -有状态、可编程的Web浏览库。  
10.socket – 底层网络接口(stdlib)。  
11.Unirest for Python – Unirest是一套可用于多种语言的轻量级的HTTP库。  
12.hyper – Python的HTTP/2客户端。  
13.PySocks – SocksiPy更新并积极维护的版本，包括错误修复和一些其他的特征。作为socket模块的直接替换。

#### 网络爬虫框架 ####

1.功能齐全的爬虫

•grab – 网络爬虫框架（基于pycurl/multicur）。  
•scrapy – 网络爬虫框架（基于twisted），不支持Python3。  
•pyspider – 一个强大的爬虫系统。  
•cola – 一个分布式爬虫框架。

2.其他

•portia – 基于Scrapy的可视化爬虫。  
•restkit – Python的HTTP资源工具包。它可以让你轻松地访问HTTP资源，并围绕它建立的对象。•demiurge – 基于PyQuery的爬虫微框架。

#### HTML/XML解析器 ####

1.通用

•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。

2.清理

•Bleach – 清理HTML（需要html5lib）。  
•sanitize – 为混乱的数据世界带来清明。

#### 文本处理 ####

用于解析和操作简单文本的库。

1.通用  
2.difflib – （Python标准库）帮助进行差异化比较。  
3.Levenshtein – 快速计算Levenshtein距离和字符串相似度。  
4.fuzzywuzzy – 模糊字符串匹配。  
5.esmre – 正则表达式加速器。  
6.ftfy – 自动整理Unicode文本，减少碎片化。

#### 自然语言处理 ####

处理人类语言问题的库。

•NLTK -编写Python程序来处理人类语言数据的最好平台。  
•Pattern – Python的网络挖掘模块。他有自然语言处理工具，机器学习以及其它。  
•TextBlob – 为深入自然语言处理任务提供了一致的API。是基于NLTK以及Pattern的巨人之肩上发展的。  
•jieba – 中文分词工具。  
•SnowNLP – 中文文本处理库。  
•loso – 另一个中文分词库。

#### 浏览器自动化与仿真 ####

•selenium – 自动化真正的浏览器（Chrome浏览器，火狐浏览器，Opera浏览器，IE浏览器）。•Ghost.py – 对PyQt的webkit的封装（需要PyQT）。  
•Spynner – 对PyQt的webkit的封装（需要PyQT）。  
•Splinter – 通用API浏览器模拟器（selenium web驱动，Django客户端，Zope）。

#### 多重处理 ####

•threading – Python标准库的线程运行。对于I/O密集型任务很有效。对于CPU绑定的任务没用，因为python GIL。  
•multiprocessing – 标准的Python库运行多进程。  
•celery – 基于分布式消息传递的异步任务队列/作业队列。  
•concurrent-futures – concurrent-futures 模块为调用异步执行提供了一个高层次的接口。

#### 异步 ####

异步网络编程库

•asyncio – （在Python 3.4 +版本以上的 Python标准库）异步I/O，时间循环，协同程序和任务。•Twisted – 基于事件驱动的网络引擎框架。  
•Tornado – 一个网络框架和异步网络库。  
•pulsar – Python事件驱动的并发框架。  
•diesel – Python的基于绿色事件的I/O框架。  
•gevent – 一个使用greenlet 的基于协程的Python网络库。  
•eventlet – 有WSGI支持的异步框架。  
•Tomorrow – 异步代码的奇妙的修饰语法。

#### 队列 ####

•celery – 基于分布式消息传递的异步任务队列/作业队列。  
•huey – 小型多线程任务队列。  
•mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任务队列。  
•RQ – 基于Redis的轻量级任务队列管理器。  
•simpleq – 一个简单的，可无限扩展，基于Amazon SQS的队列。  
•python-gearman – Gearman的Python API。

#### 云计算 ####

•picloud – 云端执行Python代码。  
•dominoup.com – 云端执行R，Python和matlab代码

#### 网页内容提取 ####

提取网页内容的库。

•HTML页面的文本和元数据。  
•newspaper – 用Python进行新闻提取、文章提取和内容策展。  
•html2text – 将HTML转为Markdown格式文本。  
•python-goose – HTML内容/文章提取器。  
•lassie – 人性化的网页内容检索工具

#### WebSocket ####

用于WebSocket的库。

•Crossbar – 开源的应用消息传递路由器（Python实现的用于Autobahn的WebSocket和WAMP）。•AutobahnPython – 提供了WebSocket协议和WAMP协议的Python实现并且开源。  
•WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客户端和服务器库。

#### DNS解析 ####

•dnsyo – 在全球超过1500个的DNS服务器上检查你的DNS。  
•pycares – c-ares的接口。c-ares是进行DNS请求和异步名称决议的C语言库。

#### 计算机视觉 ####

•OpenCV – 开源计算机视觉库。  
•SimpleCV – 用于照相机、图像处理、特征提取、格式转换的简介，可读性强的接口（基于OpenCV）。  
•mahotas – 快速计算机图像处理算法（完全使用 C++ 实现），完全基于 numpy 的数组作为它的数据类型。

### web开发的一些框架 ###

#### 1.Django ####

![18ebf5241ccb0f8e98ac755322b80803.png][]

Django是一个开源的Web应用框架，由Python写成，支持许多数据库引擎，可以让Web开发变得迅速和可扩展，并会不断的版本更新以匹配Python最新版本，如果是新手程序员，可以从这个框架入手。

#### 2.Flask ####

![6ac54028dd62f4dae0d72133f046e1fa.png][]

Flask是一个轻量级的Web应用框架, 使用Python编写。基于 WerkzeugWSGI工具箱和 Jinja2模板引擎。使用 BSD 授权。

Flask也被称为 “microframework” ，因为它使用简单的核心，用 extension 增加其他功能。Flask没有默认使用的数据库、窗体验证工具。然而，Flask保留了扩增的弹性，可以用Flask-extension加入这些功 能：ORM、窗体验证工具、文件上传、各种开放式身份验证技术。

#### 3.Web2py ####

![2787ee8ee7cab05a4792a5423133be8d.png][]

Web2py是一个用Python语言编写的免费的开源Web框架，旨在敏捷快速的开发Web应用，具有快速、可扩展、安全以及可移植的数据库驱动的应用，遵循LGPLv3开源协议。

Web2py提供一站式的解决方案，整个开发过程都可以在浏览器上进行，提供了Web版的在线开发，HTML模版编写，静态文件的上传，数据库的编写的功能。其它的还有日志功能，以及一个自动化的admin接口。

#### 4.Tornado ####

![6f8273110d14cd50c22070b14adfdcd4.png][]

Tornado即是一个Web server（对此本文不作详述），同时又是一个类web.py的micro-framework，作为框架Tornado的思想主要来源于Web.py，大家在Web.py的网站首页也可以看到Tornado的大佬Bret Taylor的这么一段话（他这里说的FriendFeed用的框架跟Tornado可以看作是一个东西）：

![b1c079f5844476c0bd77339e76a438ea.png][]

因为有这层关系，后面不再单独讨论Tornado。

#### 5.CherryPy ####

![977e31feb5b019e2de12d68c527036c2.png][]

CherryPy是一种用于Python的、简单而非常有用的Web框架，其主要作用是以尽可能少的操作将Web服务器与Python代码连接，其功能包括内置的分析功能、灵活的插件系统以及一次运行多个HTTP服务器的功能，可与运行在最新版本的Python、Jython、Android上。

### 关于框架的选择误区 ###

在框架的选择问题上，许多人很容易就陷入了下面两个误区中而不自知：哪个框架最好——世上没有最好的框架，只有最适合你自己、最适合你的团队的框架。编程语言选择也是一个道理，你的团队Python最熟就用Python好了，如果最熟悉的是Ruby那就用Ruby好了，编程语言、框架都只是工具，能多、快、好、省的干完活就是好东西。

过分关注性能——其实大部分人是没必要太关心框架的性能的，因为你开发的网站根本就是个小站，能上1万的IP的网站已经不多了，上10万的更是很少很少。在没有一定的访问量前谈性能其实是没有多大意义的，因为你的CPU和内存一直就闲着呢。

### 关于Python学习指南 ###

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

包括：Python激活码+安装包、Python web开发，Python爬虫，Python数据分析，人工智能、自动化办公等学习教程。带你从零基础系统性的学好Python！

##### 👉Python所有方向的学习路线👈 #####

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。**（全套教程文末领取）**

![在这里插入图片描述][3c4ee87941694f3789398db3d52a2637.png_pic_center]

##### 👉Python学习视频600合集👈 #####

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

![在这里插入图片描述][64c89bf6293d4699bf7ee8f34b9e69fd.png_pic_center]

##### 温馨提示：篇幅有限，已打包文件夹，获取方式在：文末 #####

##### 👉Python70个实战练手案例&源码👈 #####

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

![在这里插入图片描述][2017b67544f94e8898db755e2703224a.png_pic_center]

##### 👉Python大厂面试资料👈 #####

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自**阿里、腾讯、字节等一线互联网大厂**最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

![在这里插入图片描述][3055c54d3224495987c589f150324d73.png_pic_center]

![在这里插入图片描述][b0751719fe914aec8c8d09f62f772e44.png_pic_center]

##### 👉Python副业兼职路线&方法👈 #####

学好 Python 不论是就业还是做副业赚钱都不错，但要学会兼职接单还是要有一个学习规划。

![在这里插入图片描述][01bcd7cbfd6d43fb85ef410766735154.png_pic_center]

**👉** **这份完整版的Python全套学习资料已经上传，朋友们如果需要可以扫描下方CSDN官方认证二维码或者点击链接免费领取**【**`保证100%免费`**】

![28c313fe0bc8cfd922b6246074689e50.png][]

[18ebf5241ccb0f8e98ac755322b80803.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/d6b897df41eb45589adeff64668a375c.png
[6ac54028dd62f4dae0d72133f046e1fa.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/a9c32eca3ccc400593a9fe0b03d6173f.png
[2787ee8ee7cab05a4792a5423133be8d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/0c28868ce13d47e69bc2a4d811d9afeb.png
[6f8273110d14cd50c22070b14adfdcd4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/569615e1d7cf4372a6b0d24ff676479c.png
[b1c079f5844476c0bd77339e76a438ea.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/7b20d7089a6a4b65969fa568f0532247.png
[977e31feb5b019e2de12d68c527036c2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/d270cb89939f41069c012a38a262a3ca.png
[3c4ee87941694f3789398db3d52a2637.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/0609fa5371ed48918d8a48c84cf5528c.png
[64c89bf6293d4699bf7ee8f34b9e69fd.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/4b987ea509424961896b67b10b578fdf.png
[2017b67544f94e8898db755e2703224a.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/8f0280bac6804cf7ac1a3c2ca66dcc75.png
[3055c54d3224495987c589f150324d73.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/2eb1be9d0c584ed8bf0d126340d22373.png
[b0751719fe914aec8c8d09f62f772e44.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/78d0c3bc183947fe88a0b8c2bfe035af.png
[01bcd7cbfd6d43fb85ef410766735154.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/771d228722c648e8a0c12feab43d612f.png
[28c313fe0bc8cfd922b6246074689e50.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/24/12ed8810ac89481aaffa9267c4cbea14.png