学习爬虫需要掌握哪些库

　　学习爬虫需要掌握哪些库呢?

　　通用：

　　1.urllib -网络库(stdlib)。

　　2.requests -网络库。

　　3.grab – 网络库(基于pycurl)。

　　4.pycurl – 网络库(绑定libcurl)。

　　5.urllib3 – Python HTTP库，安全连接池、支持文件post、可用性高。

　　6.httplib2 – 网络库。

　　7.RoboBrowser – 一个简单的、极具Python风格的Python库，无需独立的浏览器即可浏览网页。

　　8.MechanicalSoup -一个与网站自动交互Python库。

　　9.mechanize -有状态、可编程的Web浏览库。

　　10.socket – 底层网络接口(stdlib)。

　　11.Unirest for Python – Unirest是一套可用于多种语言的轻量级的HTTP库。

　　12.hyper – Python的HTTP/2客户端。

　　13.PySocks – SocksiPy更新并积极维护的版本，包括错误修复和一些其他的特征。作为socket模块的直接替换。

　　网络爬虫框架

　　功能齐全的爬虫

　　grab – 网络爬虫框架(基于pycurl/multicur)。

　　scrapy – 网络爬虫框架(基于twisted)，不支持Python3。

　　pyspider – 一个强大的爬虫系统。

　　cola – 一个分布式爬虫框架。

　　其他

　　portia – 基于Scrapy的可视化爬虫。

　　restkit – Python的HTTP资源工具包。它可以让你轻松地访问HTTP资源，并围绕它建立的对象。

　　demiurge – 基于PyQuery的爬虫微框架。

　　HTML/XML解析器

　　1.通用

　　lxml – C语言编写高效HTML/ XML处理库。支持XPath。

　　cssselect – 解析DOM树和CSS选择器。

　　pyquery – 解析DOM树和jQuery选择器。

　　BeautifulSoup – 低效HTML/ XML处理库，纯Python实现。

　　html5lib – 根据WHATWG规范生成HTML/ XML文档的DOM。该规范被用在现在所有的浏览器上。

　　feedparser – 解析RSS/ATOM feeds。

　　MarkupSafe – 为XML/HTML/XHTML提供了安全转义的字符串。

　　xmltodict – 一个可以让你在处理XML时感觉像在处理JSON一样的Python模块。

　　xhtml2pdf – 将HTML/CSS转换为PDF。

　　untangle – 轻松实现将XML文件转换为Python对象。

　　2.清理

　　Bleach – 清理HTML(需要html5lib)。

　　sanitize – 为混乱的数据世界带来清明。

声明：本站稿件版权均属千锋教育所有，未经许可不得擅自转载。