python常见爬虫库以及案例

python常见爬虫库以及案例

一、常见库

以下是一些常见的Python爬虫库，按照一般热门程度的排序：

1. Requests：requests库是非常流行的用于发送HTTP请求的库，因其简洁易用和广泛的社区支持而备受青睐。
2. Beautiful Soup：Beautiful Soup是一个广泛使用的HTML和XML解析库，用于提取和操作网页内容。
3. Scrapy：Scrapy是一个功能强大的爬虫框架，广泛用于大规模爬取任务。它有一个活跃的社区和强大的文档支持。
4. Selenium：Selenium用于浏览器自动化和处理JavaScript内容，特别适用于需要模拟用户行为的任务。
5. lxml：lxml是一个高性能的HTML和XML解析库，它支持XPath，可用于高效地处理大量数据。
6. Splash：Splash是一个用于处理JavaScript渲染的服务，对于需要动态网页抓取的任务非常有用。
7. PyQuery：PyQuery提供了类似于jQuery的语法，用于HTML解析和操作。
8. Tornado：Tornado是一个异步网络库，适用于构建高性能的网络爬虫，虽然不仅仅用于爬虫。
9. Gevent：Gevent是一个协程库，用于编写异步和高性能的网络应用，也可用于爬虫。
10. Aiohttp：Aiohttp是一个用于构建异步HTTP客户端/服务器的框架，适用于异步爬虫。

二、案例

以下是一些简单的Python爬虫库的示例用例：

1. Requests：

   import requests
   
   # 发送GET请求
   response = requests.get("https://www.example.com")
   print(response.text)
   

2. Beautiful Soup：

   from bs4 import BeautifulSoup
   import requests
   
   # 发送GET请求并解析HTML
   response = requests.get("https://www.example.com")
   soup = BeautifulSoup(response.text, 'html.parser')
   
   # 提取标题文本
   title = soup.title.string
   print("Title:", title)
   

3. Scrapy：

   使用Scrapy来爬取整个网站的所有标题链接：

   scrapy startproject myproject
   

   创建一个Spider并定义抓取规则：

   import scrapy
   
   class MySpider(scrapy.Spider):
       name = "example"
       start_urls = [
           "https://www.example.com",
       ]
   
       def parse(self, response):
           for title in response.css('h1'):
               yield {
                   'title': title.get(),
               }
   

   运行Spider：

   scrapy crawl example
   

4. Selenium：

   使用Selenium来打开一个网页并截取屏幕截图：

   from selenium import webdriver
   
   # 启动Chrome浏览器
   driver = webdriver.Chrome()
   
   # 打开网页
   driver.get("https://www.example.com")
   
   # 截取屏幕截图
   driver.save_screenshot("screenshot.png")
   
   # 关闭浏览器
   driver.quit()
   

5. lxml：

   使用lxml来解析HTML并提取链接：

   from lxml import html
   import requests
   
   # 发送GET请求
   response = requests.get("https://www.example.com")
   
   # 解析HTML
   tree = html.fromstring(response.content)
   
   # 提取所有链接
   links = tree.xpath('//a/@href')
   for link in links:
       print("Link:", link)
   

6. PyQuery：

   使用PyQuery来解析HTML并提取标题：

   from pyquery import PyQuery as pq
   import requests
   
   # 发送GET请求
   response = requests.get("https://www.example.com")
   
   # 创建PyQuery对象
   doc = pq(response.text)
   
   # 提取标题文本
   title = doc('title').text()
   print("Title:", title)
   

7. Splash：

   使用Splash来渲染JavaScript并获取渲染后的页面内容：

   import requests
   import json
   
   # 请求Splash服务来渲染页面
   url = "http://localhost:8050/render.html"
   params = {
       'url': "https://www.example.com",
       'wait': 2  # 等待2秒钟，以确保JavaScript加载完成
   }
   response = requests.get(url, params=params)
   
   # 解析渲染后的页面内容
   rendered_html = response.text
   print(rendered_html)
   

8. Tornado：

   使用Tornado构建一个简单的异步爬虫：

   import tornado.ioloop
   import tornado.httpclient
   
   async def fetch_url(url):
       http_client = tornado.httpclient.AsyncHTTPClient()
       response = await http_client.fetch(url)
       print("Fetched URL:", url)
       return response.body
   
   async def main():
       urls = ["https://www.example.com", "https://www.example2.com"]
       for url in urls:
           html = await fetch_url(url)
           # 在这里处理HTML内容
   
   if __name__ == "__main__":
       tornado.ioloop.IOLoop.current().run_sync(main)
   

9. Gevent：

   使用Gevent来并发地获取多个URL：

   import gevent
   import requests
   
   def fetch_url(url):
       response = requests.get(url)
       print("Fetched URL:", url)
       # 在这里处理HTML内容
   
   urls = ["https://www.example.com", "https://www.example2.com"]
   jobs = [gevent.spawn(fetch_url, url) for url in urls]
   gevent.joinall(jobs)
   

10. Aiohttp：

    使用Aiohttp来异步获取多个URL：

    import aiohttp
    import asyncio
    
    async def fetch_url(url):
        async with aiohttp.ClientSession() as session:
            async with session.get(url) as response:
                html = await response.text()
                print("Fetched URL:", url)
                # 在这里处理HTML内容
    
    urls = ["https://www.example.com", "https://www.example2.com"]
    loop = asyncio.get_event_loop()
    tasks = [fetch_url(url) for url in urls]
    loop.run_until_complete(asyncio.gather(*tasks))
    loop.close()