一些較為高效的Python爬蟲框架。分享給大家。

1.Scrapy

Scrapy是一個(gè)為了爬取網(wǎng)站數(shù)據(jù)，提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。 可以應(yīng)用在包括數(shù)據(jù)挖掘，信息處理或存儲(chǔ)歷史數(shù)據(jù)等一系列的程序中。。用這個(gè)框架可以輕松爬下來如亞馬遜商品信息之類的數(shù)據(jù)。

項(xiàng)目地址：https://scrapy.org/

2.PySpider

pyspider 是一個(gè)用python實(shí)現(xiàn)的功能強(qiáng)大的網(wǎng)絡(luò)爬蟲系統(tǒng)，能在瀏覽器界面上進(jìn)行腳本的編寫，功能的調(diào)度和爬取結(jié)果的實(shí)時(shí)查看，后端使用常用的數(shù)據(jù)庫進(jìn)行爬取結(jié)果的存儲(chǔ)，還能定時(shí)設(shè)置任務(wù)與任務(wù)優(yōu)先級(jí)等。

項(xiàng)目地址：https://github.com/binux/pyspider

3.Crawley

Crawley可以高速爬取對(duì)應(yīng)網(wǎng)站的內(nèi)容，支持關(guān)系和非關(guān)系數(shù)據(jù)庫，數(shù)據(jù)可以導(dǎo)出為JSON、XML等。

項(xiàng)目地址：http://project.crawley-cloud.com/

4.Portia

Portia是一個(gè)開源可視化爬蟲工具，可讓您在不需要任何編程知識(shí)的情況下爬取網(wǎng)站！簡(jiǎn)單地注釋您感興趣的頁面，Portia將創(chuàng)建一個(gè)蜘蛛來從類似的頁面提取數(shù)據(jù)。

項(xiàng)目地址：https://github.com/scrapinghub/portia

5.Newspaper

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

項(xiàng)目地址：https://github.com/codelucas/newspaper

6.Beautiful Soup

Beautiful Soup 是一個(gè)可以從HTML或XML文件中提取數(shù)據(jù)的Python庫.它能夠通過你喜歡的轉(zhuǎn)換器實(shí)現(xiàn)慣用的文檔導(dǎo)航,查找,修改文檔的方式.Beautiful Soup會(huì)幫你節(jié)省數(shù)小時(shí)甚至數(shù)天的工作時(shí)間。

項(xiàng)目地址：https://www.crummy.com/software/BeautifulSoup/bs4/doc/

7.Grab

Grab是一個(gè)用于構(gòu)建Web刮板的Python框架。借助Grab，您可以構(gòu)建各種復(fù)雜的網(wǎng)頁抓取工具，從簡(jiǎn)單的5行腳本到處理數(shù)百萬個(gè)網(wǎng)頁的復(fù)雜異步網(wǎng)站抓取工具。Grab提供一個(gè)API用于執(zhí)行網(wǎng)絡(luò)請(qǐng)求和處理接收到的內(nèi)容，例如與HTML文檔的DOM樹進(jìn)行交互。

項(xiàng)目地址：http://docs.grablib.org/en/latest/#grab-spider-user-manual

8.Cola

Cola是一個(gè)分布式的爬蟲框架，對(duì)于用戶來說，只需編寫幾個(gè)特定的函數(shù)，而無需關(guān)注分布式運(yùn)行的細(xì)節(jié)。任務(wù)會(huì)自動(dòng)分配到多臺(tái)機(jī)器上，整個(gè)過程對(duì)用戶是透明的。

項(xiàng)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(xué)習(xí)路線順序給出參考文章

一、頁面下載器

requests(必學(xué))

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(jìn)程爬取貓眼電影榜單

requests InsecureRequestWarning: Unverified HTTPS request is being made.

scrapy

Python網(wǎng)絡(luò)爬蟲之scrapy框架

scrapy學(xué)習(xí)

Python爬蟲：關(guān)于scrapy模塊的請(qǐng)求頭

Python爬蟲：scrapy框架請(qǐng)求參數(shù)meta、headers、cookies一探究竟

Python爬蟲：scrapy輔助功能實(shí)用函數(shù)

selenium+chrome + PhantomJS(抓取動(dòng)態(tài)網(wǎng)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(shù)據(jù)動(dòng)態(tài)網(wǎng)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(shí)用參數(shù)

Splash(抓取動(dòng)態(tài)網(wǎng)頁，推薦)

Python爬蟲：splash的安裝與簡(jiǎn)單示例

Python爬蟲：splash+requests簡(jiǎn)單示例

Python爬蟲：scrapy利用splash爬取動(dòng)態(tài)網(wǎng)頁

總結(jié)： 對(duì)于下載器而言，python自帶的urllib就不要花時(shí)間去學(xué)了，學(xué)了就忘，直接requests能滿足大部分測(cè)試+抓取需求，進(jìn)階工程化scrapy，動(dòng)態(tài)網(wǎng)頁優(yōu)先找API接口，如果有簡(jiǎn)單加密就破解，實(shí)在困難就使用splash渲染

二、頁面解析器

BeautifulSoup(入門級(jí))

Python爬蟲入門BeautifulSoup模塊

pyquery （類似jQuery）

Python爬蟲：pyquery模塊解析網(wǎng)頁

lxml

Python爬蟲：使用lxml解析網(wǎng)頁內(nèi)容

parsel

Extract text using CSS or XPath selectors

scrapy的Selector (強(qiáng)烈推薦, 比較高級(jí)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(jié)： 其實(shí)解析器學(xué)習(xí)一個(gè)就夠了，其他都不用學(xué)，很多培訓(xùn)會(huì)教你從上到下的學(xué)習(xí)，我不是很推薦，直接學(xué)習(xí)scrapy的Selector 就行，簡(jiǎn)單、直接、高效

三、數(shù)據(jù)存儲(chǔ)

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(shù)據(jù)庫sqlite3

MySQL

SQL：pymysql模塊讀寫mysql數(shù)據(jù)

MongoDB

Python編程：mongodb的基本增刪改查操作

總結(jié)： 數(shù)據(jù)存儲(chǔ)沒有什么可深究的，按照業(yè)務(wù)需求來就行，一般快速測(cè)試使用MongoDB，業(yè)務(wù)使用MySQL

四、其他工具

execjs ：執(zhí)行js Python爬蟲：execjs在python中運(yùn)行javascript代碼

pyv8: 執(zhí)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(guī)范的html文本

五、關(guān)于xpath練習(xí)

本人的一個(gè)開源項(xiàng)目：PageParser https://github.com/mouday/PageParser 用于解析網(wǎng)頁，最終實(shí)現(xiàn)6行代碼寫爬蟲，可以貢獻(xiàn)代碼，順便練習(xí)網(wǎng)頁解析的能力

總結(jié)

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?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。