Erlo

Python写爬虫都用到什么库

2020-11-18 18:00:36 发布   316 浏览  
页面报错/反馈
收藏 点赞

Python爬虫,全称Python网络爬虫,是一种按照一定的规则,自动地抓取万维网信息的程序或脚本,主要用于抓取证券交易数据、天气数据、网站用户数据和图片数据等,Python为支持网络爬虫正常功能实现,内置了大量的库,主要有几种类型。下面本篇文章就来给大家介绍。

一、Python爬虫网络库

Python爬虫网络库主要包括:urllib、requests、grab、pycurl、urllib3、httplib2、RoboBrowser、MechanicalSoup、mechanize、socket、Unirest for Python、hyper、PySocks、treq以及aiohttp等。

二、Python网络爬虫框架

Python网络爬虫框架主要包括:grab、scrapy、pyspider、cola、portia、restkit以及demiurge等。

三、HTML/XML解析器 

● 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。

四、文本处理

用于解析和操作简单文本的库。

● difflib:(Python标准库)帮助进行差异化比较。

● Levenshtein:快速计算Levenshtein距离和字符串相似度。

● fuzzywuzzy:模糊字符串匹配。

● esmre:正则表达式加速器。

● ftfy:自动整理Unicode文本,减少碎片化。

五、特定格式文件处理

解析和处理特定文本格式的库。

● tablib:一个把数据导出为XLS、CSV、JSON、YAML等格式的模块。

● textract:从各种文件中提取文本,比如 Word、PowerPoint、PDF等。

● messytables:解析混乱的表格数据的工具。

● rows:一个常用数据接口,支持的格式很多(目前支持CSV,HTML,XLS,TXT:将来还会提供更多!)。

以上就是Python写爬虫都用到什么库的详细内容,更多请关注jQuery中文网其它相关文章!

  • 本文原创发布jQuery中文网,转载请注明出处,感谢您的尊重!
  • 您可能感兴趣的文章:

    登录查看全部

    参与评论

    评论留言

    还没有评论留言,赶紧来抢楼吧~~

    手机查看

    返回顶部

    给这篇文章打个标签吧~

    棒极了 糟糕透顶 好文章 PHP JAVA JS 小程序 Python SEO MySql 确认