几个比较好用的爬虫库

一、类似 Requests 的库

为什么要推荐类似 Requests 的库呢？Requests 不够好吗？

虽然 Requests 对于新手很容易上手，但它是同步的、并不是异步设计的。在 HTTP 请求的时候是需要 IO 等待的。比如说，当你使用 Requests 库进行请求，网站进行返回的时候，这时 IO 就会阻塞，程序就需要等待网站的返回，这就让爬取速度变慢了。

那么异步的好处在哪呢？（侯爵老师兴奋的停不下来，继续说着）

Python 的代码是一行行去执行。也就是说，如果哪一行是非常耗时间的，之后的所有事情都会等到它完成才执行。因此 Python 异步编程也就应运而生用来解决这个问题。异步的方式在于你写的这些代码中哪些是执行时间非常短的，那么就先执行，耗时的操作会被搁在后面，并且执行这个过程完全都由 Python 的异步库自己来进行调控。

这样的好处就是只写少量的代码也能达到不错的效率，同时在代码可读性上也变得更加直观了。

1.aiohttp

https://github.com/aio-libs/aiohttp
aiohttp 是纯粹的异步框架，同时支持 HTTP 客户端和 HTTP 服务端，可以快速实现异步爬虫。坑比其他框架少。并且 aiohttp 解决了requests 的一个痛点，aiohttp 可以轻松实现自动转码，对于中文编码就很方便了。

2.asks

https://github.com/theelous3/asks
Python 自带一个异步的标准库 asyncio，但是这个库很多人觉得不好用，甚至是 Flask 库的作者公开抱怨自己花了好长时间才理解这玩意，于是就有好事者撇开它造了两个库叫做 curio 和 trio，而这里的 ask 则是封装了 curio 和 trio 的一个 http 请求库。
用起来和 Requests 90%相似，新手也可以很快上手。

3.vibora

https://github.com/vibora-io/vibora
号称是现在最快的异步请求框架，跑分是最快的。写爬虫、写服务器响应都可以用。

但这个项目一直在重构，这谁受得了。现在页面上还挂着项目正在重构的警告，使用需谨慎啊。

二、类似 Selenium 的库

Selenium +webdriver 可以用来模拟用来模拟浏览器请求，它也是同步的、而不是异步设计的。而下面这些库不光是从效率上，还有易用性上也比 selenium 进化了不少。

1.Pyppeteer

https://github.com/miyakogi/pyppeteer
Pyppeteer 是异步无头浏览器（Headless Chrome），从跑分来看比 Selenium + webdriver 快，使用方式是最接近于浏览器的自身的设计接口的。它本身是来自 Google 维护的 puppeteer，但是按照 Python 社区的梗，作者进行了封装并且把名字中的 u 改成了 y

特点是异步的设计，接口非常浏览器化，注入 JS 也很方便。

2.Requestium

https://github.com/tryolabs/requestium
Requests 的作者 Kenneth Reitz 曾经转发称赞过这个库。
Requestium 是 Requests 和 Selenium 封装的产物，并且提供了友好的接口切换，这样就可以根据需求切换了。
值得一提的是，Requestium 有一个 Wait Until 的方便设计，它的作用是确保页面中的某一个元素出现了才会进行下面的代码，这样一来就很轻松的避免了一些诡异的错误。GitHub 页面上有一组示例，是使用 Requestium 以及使用 Requests + Selenium + lxml 的对比，可以很明显看出区别。

3.arsenic

https://github.com/HDE/arsenic
HDE 公司用在了实际生产中的项目抽离出来的框架。和 selenium 接口几乎一致，学习成本相对较低。不同在于是异步的设计。不过文档有点糟糕。

三、框架

1.Grab

https://github.com/lorien/grab
前端圈很流行说渐进式框架，那么 Grab 可以说是爬虫界的渐进式框架。想简单用时有简单的用法，想复杂使用时也有复杂的用法。封装的很好，基于生成器异步的设计。

2.botflow

https://github.com/kkyon/botflow
国人作者。概念很新颖，定位成了处理数据工作流的框架，可以用来爬虫、机器学习、量化交易等等。

3.ruia

https://github.com/howie6879/ruia
国人作者。比较接近 Scrapy 的使用方式，异步设计。作者也在知乎但是很低调 @howie

Golang 爬虫框架 colly

https://github.com/gocolly/colly
应该是 Golang 里使用量最多的爬虫框架了。Golang 语言本身就对并发支持很好。让你在使用时只考虑业务本身就可以。框架结构化、清晰、代码好读。

nodejs 爬虫框架 headless-chrome-crawler

https://github.com/yujiosaka/headless-chrome-crawler
JS 圈里的一个奇葩，整个爬虫都基于 Chrome ，并且自带一个调度队列。实际测试速度和稳定性均不俗。