Python 网络爬虫的常用库汇总（建议收藏）

Python 在编写网络爬虫常常用到的一些库。

Python爬虫网络库主要包括：urllib、requests、lxml、fake-useragent、bs4(BeautifulSoup)、grab、pycurl、urllib3、httplib2、RoboBrowser 、MechanicalSoup、mechanize、socket、Unirest for Python、hyper、PySocks、treq、aiohttp等。

请求库：实现 HTTP 请求操作

urllib：一系列用于操作URL的功能。
requests：基于 urllib 编写的，阻塞式 HTTP 请求库，发出一个请求，一直等待服务器响应后，程序才能进行下一步处理。
selenium：自动化测试工具。一个调用浏览器的 driver，通过这个库你可以直接调用浏览器完成某些操作，比如输入验证码。
aiohttp：基于 asyncio 实现的 HTTP 框架。异步操作借助于 async/await 关键字，使用异步库进行数据抓取，可以大大提高效率。

解析库：从网页中提取信息

beautifulsoup：html 和 XML 的解析,从网页中提取信息，同时拥有强大的API和多样解析方式。
pyquery：jQuery 的 Python 实现，能够以 jQuery 的语法来操作解析 HTML 文档，易用性和解析速度都很好。
lxml：支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高。
tesserocr：一个 OCR 库，在遇到验证码（图形验证码为主）的时候，可直接用 OCR 进行识别。

存储库：Python 与数据库交互

爬虫框架

Scrapy：很强大的爬虫框架，可以满足简单的页面爬取（比如可以明确获知url pattern的情况）。用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。但是对于稍微复杂一点的页面，如 weibo 的页面信息，这个框架就满足不了需求了。
Crawley：高速爬取对应网站的内容，支持关系和非关系数据库，数据可以导出为 JSON、XML 等。
Portia：可视化爬取网页内容。
newspaper：提取新闻、文章以及内容分析。
python-goose：java 写的文章提取工具。
cola：一个分布式爬虫框架。项目整体设计有点糟，模块间耦合度较高。

Web 框架库

flask：轻量级的 web 服务程序，简单，易用，灵活，主要来做一些 API 服务。做代理时可能会用到。
django：一个 web 服务器框架，提供了一个完整的后台管理，引擎、接口等，使用它可做一个完整网站。

Re库的基本使用

Re库介绍：

Re库是Python的标准库，主要用于字符串匹配。
调用方式：import re

正则表达式的表示类型：

raw string类型（原生字符串类型）：

re库采用raw string类型表示正则表达式，表示为：r’text’
例如：r’[1-9]\d{5}’
raw string是指不包含转义符的字符串
string类型，更繁琐。
例如：‘[1-9]\d{5}’；‘\d{3}-\d{8}|\d{4}-\d{7}’

当正则表达式包含转义符时，建议使用raw string类型来表示正则表达式。

Re库主要功能函数：

函数

说明 re.search()
在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象 re.match()
从一个字符串的开始位置起匹配正则表达式，返回match对象 re.findall()
搜索字符串，以列表类型返回全部能匹配的字符串 re.split()
将一个字符串按照正则表达式匹配结果进行分割，返回列表类型 re.finditer()
搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象 re.sub()
在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串
re.compile() 返回的是一个匹配对象，它单独使用就没有任何意义，需要和findall(), search(), match(）搭配使用。

re.search(pattern,string,flags=0)在一个字符串中搜索匹配正则表达式的第一个位置，返回match对象。pattern：正则表达式的字符串或原生字符串表示string：待匹配字符串flags：正则表达式使用时的控制标记re.I(re.IGNORECASE)：忽略正则表达式的大小写，[A-Z]能够匹配小写字符re.M(re.MULTILINE)：正则表达式中的^操作符能够将给定字符串的每行当作匹配开始re.S(re.DOTALL)：正则表达式中的.操作符能够匹配所有字符，默认匹配除换行外的所有字符****！！！！****re.match(pattern, string, flags = 0)从一个字符串的开始位置起匹配正则表达式，返回match对象。pattern：正则表达式的字符串或原生字符串表示string：待匹配字符串flags：正则表达式使用时的控制标记re.findall(pattern, string, flags = 0)搜索字符串，以列表类型返回全部能匹配的子串。pattern：正则表达式的字符串或原生字符串表示string：待匹配字符串flags：正则表达式使用时的控制标记re.split(pattern, string, maxsplit = 0, flags = 0)搜索字符串，以列表类型返回全部能匹配的子串。pattern：正则表达式的字符串或原生字符串表示string：待匹配字符串maxsplit：最大分割数，剩余部分作为最后一个元素输出flags：正则表达式使用时的控制标记re.finditer(pattern, string, flags = 0)搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象。pattern：正则表达式的字符串或原生字符串表示string：待匹配字符串flags：正则表达式使用时的控制标记re.compile()compile()的定义：compile(pattern, flags=0) Compile a regular expression pattern, returning a pattern object.从compile()函数的定义中，可以看出返回的是一个匹配对象，它单独使用就没有任何意义，需要和findall(), search(), match(）搭配使用。 
compile()与findall()一起使用，返回一个列表。import redef main():content = 'Hello, I am Jerry, from Chongqing, a montain city, nice to meet you……'regex = re.compile('\w*o\w*')x = regex.findall(content)print(x)if __name__ == '__main__':main()# ['Hello', 'from', 'Chongqing', 'montain', 'to', 'you']compile()与match()一起使用，可返回一个class、str、tuple。但是一定需要注意match()，从位置0开始匹配，匹配不到会返回None，返回None的时候就没有span/group属性了，并且与group使用，返回一个单词‘Hello’后匹配就会结束。import redef main():content = 'Hello, I am Jerry, from Chongqing, a montain city, nice to meet you……'regex = re.compile('\w*o\w*')y = regex.match(content)print(y)print(type(y))print(y.group())print(y.span())if __name__ == '__main__':main()# <_sre.SRE_Match object; span=(0, 5), match='Hello'># <class '_sre.SRE_Match'># Hello# (0, 5)compile()与search()搭配使用, 返回的类型与match()差不多， 但是不同的是search(), 可以不从位置0开始匹配。但是匹配一个单词之后，匹配和match()一样，匹配就会结束。re.sub(pattern, repl, string, count = 0, flags = 0)在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串。pattern：正则表达式的字符串或原生字符串表示repl：替换匹配字符串的字符串string：待匹配字符串count：匹配的最大替换次数flags：正则表达式使用时的控制标记