丈夫清万里，谁能扫一室  

 

很多朋友不知道Python爬虫怎么入门，怎么学习，到底要学习哪些内容。今天我来给大家说说学习爬虫，我们必须掌握的一些第三方库。

 

废话不多说，直接上干货。

 

 

 

1

 请求库

 

 

1. requests

 

GitHub：https://github.com/psf/requests

 

requests库应该是现在做爬虫最火最实用的库了，非常的人性化。

有关于requests最详细的使用方法，大家可以参考官方文档：https://requests.readthedocs.io/en/master/

 

使用小案例：

  •  
>>> import requests>>> r = requests.get('https://api.github.com/user', auth=('user', 'pass'))>>> r.status_code200>>> r.headers['content-type']'application/json; charset=utf8'>>> r.encoding'utf-8'>>> r.textu'{"type":"User"...'>>> r.json(){u'disk_usage': 368627, u'private_gists': 484, ...}

 

 

2. urllib3

 

GitHub：https://github.com/urllib3/urllib3

 

urllib3是一个非常强大的http请求库，提供一系列的操作URL的功能。

 

有关于它的详细使用方法可以参考：https://urllib3.readthedocs.io/en/latest/

 

使用小案例：

  •  
>>> import urllib3>>> http = urllib3.PoolManager()>>> r = http.request('GET', 'http://httpbin.org/robots.txt')>>> r.status200>>> r.data'User-agent: *\nDisallow: /deny\n'

 

 

3.selenium

 

GitHub：https://github.com/SeleniumHQ/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。

 

对于这个库并非只是Python才能用，像JAVA、Python、C#等都能够使用selenium这个库

 

有关于Python语言如何去使用这个库，大家可以去访问https://seleniumhq.github.io/selenium/docs/api/py/ 查看官方文档

 

 

使用小案例：

  •  
from selenium import webdriver
browser = webdriver.Firefox()browser.get('http://seleniumhq.org/')

 

 

4.aiohttp

 

GitHub：https://github.com/aio-libs/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。

 

这个属于进阶爬虫时候必须掌握的异步库。有关于aiohttp的详细操作，可以去官方文档：https://aiohttp.readthedocs.io/en/stable/

 

使用小案例：

  •  
import aiohttpimport asyncio
async def fetch(session, url):    async with session.get(url) as response:        return await response.text()
async def main():    async with aiohttp.ClientSession() as session:        html = await fetch(session, 'http://python.org')        print(html)
if __name__ == '__main__':    loop = asyncio.get_event_loop()    loop.run_until_complete(main())

 

 

2

 解析库 

 

 

 

1、beautifulsoup

 

官方文档：https://www.crummy.com/software/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。一个我经常使用的解析库，对于html的解析是非常的好用。对于写爬虫的人来说这也是必须掌握的库。

 

 

2、lxml

 

GitHub：https://github.com/lxml/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。

 

 

3、pyquery

 

GitHub：https://github.com/gawel/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。

 

 

 

 

3

 数据存储库 

 

 

1、pymysql

 

GitHub：https://github.com/PyMySQL/PyMySQL

 

官方文档：https://pymysql.readthedocs.io/en/latest/

 

一个纯 Python 实现的 MySQL 客户端操作库。非常的实用、非常的简单。

 

 

2、pymongo

 

GitHub：https://github.com/mongodb/mongo-python-driver

 

官方文档：https://api.mongodb.com/python/

 

顾名思义，一个用于直接连接 mongodb 数据库进行查询操作的库。

 

 

3、redisdump

 

 

redis-dump是将redis和json互转的工具；redis-dump是基于ruby开发，需要ruby环境，而且新版本的redis-dump要求2.2.2以上的ruby版本，centos中yum只能安装2.0版本的ruby。需要先安装ruby的管理工具rvm安装高版本的ruby；