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！）。
下载本文