Python爬虫:常用的爬虫工具汇总

按照网络爬虫的的思路:

页面下载
页面解析
数据存储

将工具按照以上分类说明,按照学习路线顺序给出参考文章

一、页面下载器

  1. requests(必学)

    1. python爬虫入门requests模块
    2. Python爬虫:requests库基本使用
    3. Python爬虫:使用requests库下载大文件
    4. Python爬虫:requests多进程爬取猫眼电影榜单
    5. requests InsecureRequestWarning: Unverified HTTPS request is being made.
  2. scrapy

    1. Python网络爬虫之scrapy框架
    2. scrapy学习
    3. Python爬虫:关于scrapy模块的请求头
    4. Python爬虫:scrapy框架请求参数meta、headers、cookies一探究竟
    5. Python爬虫:scrapy辅助功能实用函数
  3. selenium+chrome + PhantomJS(抓取动态网页,不推荐)

    1. mac下安装selenium+phantomjs+chromedriver
    2. Python爬虫:selenium模块基本使用
    3. Python爬虫selenium模块
    4. Python爬虫:selenium和Chrome无头浏览器抓取烯牛数据动态网页
    5. Python爬虫:利用selenium爬取淘宝商品信息
    6. Python爬虫:selenium使用chrome和PhantomJS实用参数
  4. Splash(抓取动态网页,推荐)

    1. Python爬虫:splash的安装与简单示例
    2. Python爬虫:splash+requests简单示例
    3. Python爬虫:scrapy利用splash爬取动态网页

总结:
对于下载器而言,python自带的urllib就不要花时间去学了,学了就忘,直接requests能满足大部分测试+抓取需求,进阶工程化scrapy,动态网页优先找API接口,如果有简单加密就破解,实在困难就使用splash渲染

二、页面解析器

  1. BeautifulSoup(入门级)

    1. Python爬虫入门BeautifulSoup模块
  2. pyquery (类似jQuery)

    1. Python爬虫:pyquery模块解析网页
  3. lxml

    1. Python爬虫:使用lxml解析网页内容
  4. parsel

    1. Extract text using CSS or XPath selectors
  5. scrapy的Selector (强烈推荐, 比较高级的封装,基于parsel)

    1. 选择器(Selectors)
    2. python爬虫:scrapy框架xpath和css选择器语法

总结:
其实解析器学习一个就够了,其他都不用学,很多培训会教你从上到下的学习,我不是很推荐,直接学习scrapy的Selector 就行,简单、直接、高效

三、数据存储

  1. txt文本
    1. Python全栈之路:文件file常用操作
  2. csv文件
    1. python读取写入csv文件
  3. sqlite3 (python自带)
    1. Python编程:使用数据库sqlite3
  4. MySQL
    1. SQL:pymysql模块读写mysql数据
  5. MongoDB
    1. Python编程:mongodb的基本增删改查操作

总结:
数据存储没有什么可深究的,按照业务需求来就行,一般快速测试使用MongoDB,业务使用MySQL

四、其他工具

  1. execjs :执行js
    Python爬虫:execjs在python中运行javascript代码

  2. pyv8: 执行js
    mac安装pyv8模块-JavaScript翻译成python

  3. html5lib
    1. Python爬虫:scrapy利用html5lib解析不规范的html文本

五、关于xpath练习

本人的一个开源项目:PageParser
https://github.com/mouday/PageParser
用于解析网页,最终实现6行代码写爬虫,可以贡献代码,顺便练习网页解析的能力

你可能感兴趣的:(python)