Python 基础教程

Python 高级教程

Python 相关应用

Python 笔记

Python 爬虫框架


Python 因其快速简洁的开发特点,强大的文档处理相关库,非常适合爬虫开发。

下面主要介绍一下一些较为高效的 Python 爬虫框架。

Scrapy

Scrapy 是一个为了爬取网站数据,提取结构性数据而编写的应用框架。可以应用在包括数据挖掘、信息处理或存储历史数据等一系列的程序中。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。

Scrapy 的更详细的内容参考 Scrapy 教程

官方网址:https://scrapy.org/

pyspider

pyspider 是一个用 Python 实现的功能强大的网络爬虫系统,能在浏览器界面上进行脚本的编写,功能的调度和爬取结果的实时查看,后端使用常用的数据库进行爬取结果的存储,还能定时设置任务与任务优先级等。

官方网址:http://docs.pyspider.org

Crawley

Crawley 可以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

Portia 是基于 Scrapy 的可视化数据采集框架,可让您在不需要任何编程知识的情况下爬取网站。简单地注释您感兴趣的页面,Portia 将创建一个蜘蛛来从类似的页面提取数据。

Grab

Grab 是一个 Python 框架。借助 Grab,您可以构建各种复杂的网页抓取工具,从简单的5行脚本到处理数百万个网页的复杂异步网站抓取工具。Grab 提供一个 API 用于执行网络请求和处理接收到的内容;例如与 HTML 文档的 DOM 树进行交互。

Cola

Cola 是一个分布式的爬虫框架,对于用户来说,只需编写几个特定的函数,而无需关注分布式运行的细节。任务会自动分配到多台机器上,整个过程对用户是透明的。

newspaper

newspaper 是一个可以用来提取新闻、文章和内容分析的 Python 库。使用多线程,支持10多种语言等。

Beautiful Soup

Beautiful Soup 是一个可以从 HTML 或 XML 文件中提取数据的 Python 库。它能够通过你喜欢的转换器实现惯用的文档导航、查找、修改文档的方式。Beautiful Soup 会帮你节省数小时甚至数天的工作时间。