如何使用Python进行网页抓取 – 7款Python爬虫库
如何使用Python进行网页抓取 – 7款Python爬虫库
作为python开发人员，您可以使用许多Web抓取工具。现在就来发现这些工具，并学习如何使用它们。
毫无疑问，Python是用于web抓取的最流行的编程语言，这与它易于学习和使用这一事实有关，而且您还可以利用大量流行的web抓取库和框架。作为一名Python开发人员，您需要了解这些工具，并学习如何使用它们来为web抓取任务编写更好的代码。
在本文中，您将学习用于构建web scraper的最流行的Python库和框架。您还将学习如何安装它们以及如何进行代码测试。
Python Web爬虫库
Python Web抓取库是为执行Web抓取工作流中的特定任务而编写的模块和程序包，这些模块和包可以发送HTTP请求，处理无头浏览器以呈现JavaScript并模拟人机交互以及从下载页面中解析出数据。
Urllib
Urllib是Python标准库中的软件包，带有用于处理URL和HTTP请求的模块。它带有4个模块，其中包括
urllib.request
用于处理HTTP请求，
urllib.error
其中包含由引发的异常
urllib.request
urllib.parse
用于解析URL，以及
urllib.robotparser
用于解析robots.txt文件的内容,Urllib并不易于使用，但可以帮助您处理身份验证、Cookie、URL编码和代理等。仅在需要对请求进行高级控制时，才应使用此功能。
•如何安装Urllib
如前所述，Urllib软件包包含在标准python库中，因此，无需再次安装。只需将其导入您的代码中并使用即可。
•Urllib代码示例
下面的代码会将GET请求发送到Wikipedia的主页，并打印出响应。响应将是页面的整个HTML。
import urllib.request as rq
get_content = rq.urlopen("https://en.wikipedia.org/wiki/Main_Page")
print(get_content.read().decode("utf-8"))
Python Requests
Python 请求库被称为Python HTTP for Humans，它是一种第三方库，为了简化处理HTTP请求和URL的过程而引入。它建立在Urllib之上，并提供易于使用的界面。
除了比urllib易于使用之外，它还具有更好的文档。说到流行性，可以说Requests是最受欢迎的Python库之一，因为它是下载次数最多的Python包。它支持国际化，会话cookie和身份验证，以及连接池和超时，以及多部分文件上传。
•如何安装
Python Requests是第三方软件包，因此，您需要先安装它，然后才能使用它。建议的安装方式是使用pip命令。
pip install requests
•Python请求代码示例
下面的代码将下载使用Urllib下载的同一页面，因此即使您使用它们的高级功能时有所不同，您也可以进行比较。
>> import requests
>>get_content = requests.get("https://en.wikipedia.org/wiki/Main_Page")
>> print(get_content.text)
Selenium
Selenium Web驱动程序是一种浏览器自动化工具，您可以完全使用它。它已经在Web抓取工具中流行，因为它可以用于从JavaScript丰富的网站抓取数据。诸如Python Requests库和Scrapy之类的传统工具无法呈现JavaScript，因此，您需要Selenium。
Selenium可用于自动化大量浏览器，包括Chrome和Firefox。在无头模式下运行时，您实际上不会看到浏览器处于打开状态，但是它将模拟浏览器环境中的操作。使用Selenium，您可以模拟鼠标和键盘操作，访问网站并刮取所需的内容。
•如何安装Selenium
要使用Selenium Web驱动程序自动化浏览器，需要满足两个要求。其中包括Selenium Python绑定和浏览器驱动程序。在本文中，我们将使用Chrome，因此，您需要下载Chrome驱动程序 -确保它适用于您使用的Chrome版本。安装后，将其解压缩并将chromedriver.exe文件与python脚本放置在同一目录中。这样，您就可以使用以下pip命令安装selenium python绑定。
pip install requests
•Selenium代码样本
下面的代码显示了如何使用Selenium搜索Amazon。
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
driver = webdriver.Chrome()
driver.get("https://www.amazon.com/")
amazon_search = driver.find_element_by_id("twotabsearchtextbox")
amazon_search.send_keys("Web scraping for python developers")
amazon_search.send_keys(Keys.RETURN)
driver.close()
阅读更多，
•Selenium代理设置：如何在Selenium上设置代理
•使用Selenium和代理构建Web爬网程序
BeautifulSoup
BeautifulSoup是用于解析HTML和XML文件的解析库。它将网页文档转换为解析树，以便您可以使用其Python方式遍历和操作它。使用BeautiSoup，您可以解析HTML中可用的任何需要数据。重要的是要知道，BeautifulSoup没有自己的解析器，位于其他解析器(如lxml，甚至html)之上。
在解析网页数据时，BeautifulSoup是最受欢迎的选择。它易于学习和掌握。使用BeautifulSoup解析网页时，即使页面HTML混乱且复杂，您也不会遇到问题。
•如何安装BeautifulSoup
就像讨论的其他库一样，您可以通过pip来安装它。在命令提示符中输入以下命令。
pip install beautifulsoup4
•BeautifulSoup代码示例
下面的代码可将尼日利亚的LGAs列表抓取并打印到控制台。BeautifulSoup没有下载网页的功能，因此，我们将使用Python Requests库。
import requests
from bs4 import BeautifulSoup
url = "https://en.wikipedia.org/wiki/Local_government_areas_of_Nigeria"
page_content = requests.get(url).text
soup = BeautifulSoup(page_content, "html.parser")
table = soup.find("table", {"class": "wikitable"})
lga_trs = table.find_all("tr")[1:]
for i in lga_trs:
tds = i.find_all("td")
td1 = tds[0].find("a")
td2 = tds[1].find("a")
l_name = td1.contents[0]
l_url = td1["href"]
l_state = td2["title"]
l_state_url = td2["href"]
print([l_name,l_url, l_state, l_state_url])
阅读更多， 如何使用Beautifulsoup构建一个简单的Python Web Scraper
Lxml
从该库的名称，您可以知道它与XML有关。实际上，它是一个解析器–确实是一个解析器，不像位于解析器顶部用作解析库的BeautifulSoup。除了XML文件之外，lxml还可以用于解析HTML文件。您可能很想知道lxml是BeautifulSoup用来将网页文档转换为要解析的树的解析器之一。
LXML解析速度非常快。但是，很难学习和掌握。大多数Web抓取工具并不单独使用它，而是将其用作BeautifulSoup使用的解析器。因此，实际上并不需要代码示例，因为您不会单独使用它。
从这个库的名称可以看出，它与XML有关。实际上，它是一个解析器——一个真正的解析器，不像BeautifulSoup那样位于解析器之上充当解析库。除了XML文件之外，lxml还可以用于解析HTML文件。lxml是BeautifulSoup用来将web页面文档转换为要解析的树的解析器之一。
在进行解析时，Lxml速度非常快。然而，它是很难学习和掌握的。大多数web抓取器并不单独使用它，而是将它用作BeautifulSoup使用的解析器。因此，实际上不需要代码示例，因为您不会单独使用它。
•如何安装Lxml
Lxml可以在Pypi存储库中使用，因此，您可以使用pip命令来安装它。下面是安装lxml的命令。
pip install lxml
Python Web爬网框架
与仅用于一个功能的库不同，框架是一个完整的工具，其中包含开发Web爬网程序时所需的大量功能，其中包括用于发送HTTP请求和解析请求的功能。
Scrapy
Scrapy是最流行的，并且可以说是最好的Web抓取框架，可以作为开源工具公开获得。它是由Scrapinghub创建并仍在广泛管理中。
Scrapy是一个完整的框架，它既负责发送请求，又负责解析下载页面所需的数据。Scrapy是多线程的，是所有python框架和库中速度最快的。它使得复杂的网页抓取变得容易。但是，与之相关的一个问题是，它不能呈现和执行JavaScript，因此需要使用Selenium或Splash。
•如何安装Scrapy
Scrapy在Pypi上可用，因此，您可以使用pip命令安装它。以下是在命令提示符/终端上运行的命令，以下载并安装Scrapy。
pip install scrapy
•Scrapy代码示例
如前所述，Scrapy是一个完整的框架，并不具备简单的学习曲线。对于一个代码示例，您需要编写大量的代码，并且在上面描述的情况下不像它那样工作。想要了解Scrapy的代码示例，请访问Scrapy网站的官方教程页面。
阅读更多：Scrapy Vs Beautifulsoup Vs Selenium 网页抓取
Pyspider
Pyspider是另一个为python程序员开发的网络抓取框架，用于开发网络抓取工具。Pyspider是一个功能强大的网络爬网框架，可用于为现代网络创建网络抓取工具。与Scrapy不能自行呈现JavaScript的情况不同，Pyspider擅长完成此工作。但是，在可靠性和成熟度方面，Scrapy远远领先于Pyspider。它支持分布式体系结构，并支持Python 2和Python3。它支持大量数据库系统，并带有功能强大的WebUI，用于监视爬虫/爬虫的性能。要使其运行，它必须在服务器上。
Pyspider是另一个为python程序员开发web抓取器而编写的web抓取框架。Pyspider是一个强大的web爬行框架，您可以使用它为现代web创建web抓取器。与Scrapy不自己渲染JavaScripts的情况不同，Pyspider在这方面做得很好。然而，在可靠性和成熟度方面，Scrapy遥遥领先于Pyspider。它支持分布式体系结构，并同时提供对Python 2和Python 3的支持。它支持大量的数据库系统，并带有一个用于监视perfo的强大WebUI。
•如何安装Pyspider
可以使用下面的pip命令安装Pyspider。
pip install pyspider
•PySpider代码示例
以下代码是Pyspider在其文档页面上提供的示例代码。它在Scrapy主页上抓取链接。
from pyspider.libs.base_handler import *
class Handler(BaseHandler):
crawl_config = {}
@every(minutes=24 * 60)
def on_start(self):
self.crawl("https://scrapy.org/", callback=self.index_page)
@config(age=10 * 24 * 60 * 60)
def index_page(self, response):
for each in response.doc('a][href^="http"]').items():
self.crawl(each.attr.href, callback=self.detail_page)
def detail_page(self, response):
return {"url": response.url, "title": response.doc('title').text()
如前所述，Pyspider在服务器上运行。您的计算机是一台服务器，并且会从本地主机监听，以此运行。
pyspider
命令并访问 http://localhost:5000/
相关：
•最佳网页抓取工具-终极网页抓取工具列表！
•Web Scraping API提取数据（URL到数据）
•针对非程序员的免费Web搜刮软件和扩展
•如何抓取网站，永不列入黑名单！
结论
谈到python编程语言中用于web抓取的工具、库和框架的数量时，您需要知道有很多。然而，你不可能每一个都去学习。如果你正在开发一个不需要复杂架构的简单scraper，那么使用request和BeautifulSoup就可以了——如果站点使用javascript非常多，还可以加上Selenium。Selenium甚至可以单独使用。然而，当您希望开发一个复杂的web scraper或crawler时，可以使用Scrapy这个框架。
