Python 爬虫的常用库

请求库

• urllib：一系列用于操作URL的功能，Python的内置库，直接使用方法import导入即可
• requests：基于 urllib 编写的请求库，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。实际上是用来浏览器的一个库，做爬虫时可能会碰到使用JS渲染的网页，使用requests来请求时，可能无法正常获取内容，我们使用selenium可以驱动浏览器获得渲染后的页面。有头浏览器的代表。
• aiohttp：基于 asyncio 实现的 HTTP 框架，提供异步的web服务的库。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。
• phantomjs ：是一个无界面浏览器，在后台运行。通过JS在后台运行有关浏览器的一切操作省去可视化浏览器的操作。无头浏览器的代表。

解析库

• re：使用正则表达式（regex）库提取信息，Python的内置库。
• 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。
• beautifulsoup：是一个网络解析库，依赖于lxml库。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：也是网页解析库，较bs4更加方便，语法和Jquery无异。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。
• 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。

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。