一些較為高效的Python爬蟲框架。分享給大家。

1.Scrapy

Scrapy是一個為了爬取網站數據，提取結構性數據而編寫的應用框架。 可以應用在包括數據挖掘，信息處理或存儲歷史數據等一系列的程序中。。用這個框架可以輕松爬下來如亞馬遜商品信息之類的數據。

項目地址：https://scrapy.org/

2.PySpider

pyspider 是一個用python實現的功能強大的網絡爬蟲系統，能在瀏覽器界面上進行腳本的編寫，功能的調度和爬取結果的實時查看，后端使用常用的數據庫進行爬取結果的存儲，還能定時設置任務與任務優先級等。

項目地址：https://github.com/binux/pyspider

3.Crawley

Crawley可以高速爬取對應網站的內容，支持關系和非關系數據庫，數據可以導出為JSON、XML等。

項目地址：http://project.crawley-cloud.com/

4.Portia

Portia是一個開源可視化爬蟲工具，可讓您在不需要任何編程知識的情況下爬取網站！簡單地注釋您感興趣的頁面，Portia將創建一個蜘蛛來從類似的頁面提取數據。

項目地址：https://github.com/scrapinghub/portia

5.Newspaper

Newspaper可以用來提取新聞、文章和內容分析。使用多線程，支持10多種語言等。

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

6.Beautiful Soup

Beautiful Soup 是一個可以從HTML或XML文件中提取數據的Python庫.它能夠通過你喜歡的轉換器實現慣用的文檔導航,查找,修改文檔的方式.Beautiful Soup會幫你節省數小時甚至數天的工作時間。

項目地址：https://www.crummy.com/software/BeautifulSoup/bs4/doc/

7.Grab

Grab是一個用于構建Web刮板的Python框架。借助Grab，您可以構建各種復雜的網頁抓取工具，從簡單的5行腳本到處理數百萬個網頁的復雜異步網站抓取工具。Grab提供一個API用于執行網絡請求和處理接收到的內容，例如與HTML文檔的DOM樹進行交互。

項目地址：http://docs.grablib.org/en/latest/#grab-spider-user-manual

8.Cola

Cola是一個分布式的爬蟲框架，對于用戶來說，只需編寫幾個特定的函數，而無需關注分布式運行的細節。任務會自動分配到多臺機器上，整個過程對用戶是透明的。

項目地址：https://github.com/chineking/cola

Python爬蟲：常用的爬蟲工具匯總

將工具按照以上分類說明，按照學習路線順序給出參考文章

一、頁面下載器

requests(必學)

python爬蟲入門requests模塊

Python爬蟲：requests庫基本使用

Python爬蟲：使用requests庫下載大文件

Python爬蟲：requests多進程爬取貓眼電影榜單

requests InsecureRequestWarning: Unverified HTTPS request is being made.

scrapy

Python網絡爬蟲之scrapy框架

scrapy學習

Python爬蟲：關于scrapy模塊的請求頭

Python爬蟲：scrapy框架請求參數meta、headers、cookies一探究竟

Python爬蟲：scrapy輔助功能實用函數

selenium+chrome + PhantomJS(抓取動態網頁，不推薦)

mac下安裝selenium+phantomjs+chromedriver

Python爬蟲：selenium模塊基本使用

Python爬蟲selenium模塊

Python爬蟲：selenium和Chrome無頭瀏覽器抓取烯牛數據動態網頁

Python爬蟲：利用selenium爬取淘寶商品信息

Python爬蟲：selenium使用chrome和PhantomJS實用參數

Splash(抓取動態網頁，推薦)

Python爬蟲：splash的安裝與簡單示例

Python爬蟲：splash+requests簡單示例

Python爬蟲：scrapy利用splash爬取動態網頁

總結： 對于下載器而言，python自帶的urllib就不要花時間去學了，學了就忘，直接requests能滿足大部分測試+抓取需求，進階工程化scrapy，動態網頁優先找API接口，如果有簡單加密就破解，實在困難就使用splash渲染

二、頁面解析器

BeautifulSoup(入門級)

Python爬蟲入門BeautifulSoup模塊

pyquery （類似jQuery）

Python爬蟲：pyquery模塊解析網頁

lxml

Python爬蟲：使用lxml解析網頁內容

parsel

Extract text using CSS or XPath selectors

scrapy的Selector (強烈推薦, 比較高級的封裝，基于parsel)

選擇器(Selectors)

python爬蟲：scrapy框架xpath和css選擇器語法

總結： 其實解析器學習一個就夠了，其他都不用學，很多培訓會教你從上到下的學習，我不是很推薦，直接學習scrapy的Selector 就行，簡單、直接、高效

三、數據存儲

txt文本

Python全棧之路：文件file常用操作

csv文件

python讀取寫入csv文件

sqlite3 （python自帶）

Python編程：使用數據庫sqlite3

MySQL

SQL：pymysql模塊讀寫mysql數據

MongoDB

Python編程：mongodb的基本增刪改查操作

總結： 數據存儲沒有什么可深究的，按照業務需求來就行，一般快速測試使用MongoDB，業務使用MySQL

四、其他工具

execjs ：執行js Python爬蟲：execjs在python中運行javascript代碼

pyv8: 執行js mac安裝pyv8模塊-JavaScript翻譯成python

html5lib 1. Python爬蟲：scrapy利用html5lib解析不規范的html文本

五、關于xpath練習

本人的一個開源項目：PageParser https://github.com/mouday/PageParser 用于解析網頁，最終實現6行代碼寫爬蟲，可以貢獻代碼，順便練習網頁解析的能力

總結

以上是生活随笔為你收集整理的2020年8个效率最高的爬虫框架的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。