目录
Python常用爬虫库
代码示例
requests + BeautifulSoup
Scrapy
Selenium
PyQuery
Axios
requests-html
pyppeteer
总结
Python是一种非常流行的编程语言，因其易学易用和广泛的应用而受到开发者的喜爱。在Python中，有许多库可以用于爬虫程序的开发，这些库可以帮助我们快速地从互联网上抓取数据。本文将介绍一些常用的Python爬虫库及其用法。
Python常用爬虫库
Python的爬虫库非常丰富，以下是一些常用的库及其用法：
- requests：用于发送HTTP请求，获取响应内容。用法：安装requests库后，导入库，使用get或post方法发送请求，接收响应对象，从中提取所需信息。
- BeautifulSoup：用于解析HTML或XML文档，提取所需数据。用法：安装BeautifulSoup库后，导入库，将待解析的页面源码作为参数传入BeautifulSoup的构造函数中，使用选择器定位所需元素，使用属性或方法获取数据。
- Scrapy：一个基于Twisted框架的爬虫框架，可用于大规模数据采集。用法：安装Scrapy框架后，创建Scrapy项目，编写Spider和Item Pipeline等组件，运行Scrapy命令进行数据采集和存储。
- Selenium：用于模拟浏览器行为，动态获取网页数据。用法：安装Selenium库后，导入库，创建WebDriver对象，使用对象执行浏览器行为（如点击、输入等），获取动态生成的数据。
- PyQuery：用于解析HTML或XML文档，与jQuery选择器类似。用法：安装PyQuery库后，导入库，将待解析的页面源码作为参数传入PyQuery的构造函数中，使用选择器定位所需元素，使用属性或方法获取数据。
- Axios：用于发送HTTP请求，获取响应内容，支持Promise和async/await用法：安装Axios库后，导入库，使用get或post方法发送请求，接收响应对象，从中提取所需信息。
- requests-html：基于requests库的扩展库，可解析HTML页面。用法：安装requests-html库后，导入库，使用get或post方法发送请求，接收响应对象，从中提取所需信息。
- pyppeteer：用于模拟浏览器行为，动态获取网页数据，支持headless模式。用法：安装pyppeteer库后，导入库，创建Browser对象，使用对象创建Page对象，执行浏览器行为（如点击、输入等），获取动态生成的数据。
以上是一些常用的Python爬虫库及其用法，不同的库适用于不同的场景和需求。选择合适的库和方法可以大大提高数据采集的效率和准确性。
代码示例
requests + BeautifulSoup
import requestsfrom bs4 import BeautifulSoupurl = 'https://www.example.com'response = requests.get(url)soup = BeautifulSoup(response.text, 'html.parser')# 获取网页标题title = soup.title.stringprint('网页标题：', title)# 获取网页内容content = soup.p.stringprint('网页内容：', content)Scrapy
import scrapyclass ExampleSpider(scrapy.Spider):name = 'example'start_urls = ['https://www.example.com']def parse(self, response):# 提取所需数据title = response.css('title::text').get()content = response.css('p::text').get()yield {'title': title, 'content': content}Selenium
from selenium import webdriver# 初始化WebDriver，使用Chrome浏览器driver = webdriver.Chrome()# 打开指定URLdriver.get('https://www.example.com')# 定位元素并输入文本element = driver.find_element_by_id('username')element.send_keys('myusername')# 定位元素并点击element = driver.find_element_by_id('password')element.send_keys('mypassword')element.submit()# 等待页面加载完成driver.implicitly_wait(10)# 定位元素并检查文本内容element = driver.find_element_by_id('welcome-message')assert 'Welcome, myusername!' in element.text# 关闭浏览器窗口driver.quit()PyQuery
from pyquery import PyQuery as pq# 加载HTML文档html = """Example Hello, World!
This is a paragraph.
- Item 1
- Item 2
- Item 3
"""# 解析HTML文档doc = pq(html)# 选择元素title = doc('title').text()heading = doc('#content h1').text()paragraph = doc('#content p').text()items = doc('#content ul li').texts()# 打印结果print(title) # Exampleprint(heading) # Hello, World!print(paragraph) # This is a paragraph.print(items) # ['Item 1', 'Item 2', 'Item 3']Axios
Axios 是一个基于 Promise 的 HTTP 客户端，可以在浏览器和 Node.js 中使用。以下是一个简单的 Axios 代码示例：
const axios = require('axios');axios.get('https://api.example.com/data').then(function (response) {console.log(response.data);}).catch(function (error) {console.log(error);});这个示例使用 Axios 发起一个 GET 请求，访问 https://api.example.com/data，并使用 then 方法处理成功响应，使用 catch 方法处理错误。如果请求成功，response.data 将包含响应数据。如果发生错误，error 对象将包含错误信息。 你可以使用 Axios 发起其他类型的 HTTP 请求，例如 POST、PUT 和 DELETE，只需要更改请求方法即可：
axios.post('https://api.example.com/data', {name: 'John Doe',email: 'john@example.com'}).then(function (response) {console.log(response.data);}).catch(function (error) {console.log(error);});这个示例使用 Axios 发起一个 POST 请求，访问 https://api.example.com/data，并将一个包含 name 和 email 属性的对象作为请求主体发送。
requests-html
from requests_html import HTMLSession# 创建一个 HTMLSession 实例session = HTMLSession()# 使用 get 方法获取一个网页response = session.get('https://example.com')# 使用 BeautifulSoup 来解析网页内容soup = response.html# 输出页面的标题print(soup.title)# 输出所有的段落标签 for p in soup.find_all('p'):print(p.text)
pyppeteer
import asynciofrom pyppeteer import launchasync def main():# 启动浏览器browser = await launch()page = await browser.newPage()# 打开网页await page.goto('http://example.com')# 截图await page.screenshot({'path': 'example.png'})# 关闭浏览器await browser.close()asyncio.get_event_loop().run_until_complete(main())总结
以上是一些常用的Python爬虫库及其用法，每个库都有其独特的特点和优势，选择合适的库取决于具体的应用场景和需求。在编写爬虫程序时，还需要注意一些道德和法律规范，以确保我们的爬虫程序不会侵犯他人的隐私和权益。