『壹』 Python寫爬蟲都用到什麼庫
Python爬蟲，全稱Python網路爬蟲，是一種按照一定的規則，自動地抓取萬維網信息的程序或腳本，主要用於抓取證券交易數據、天氣數據、網站用戶數據和圖片數據等，Python為支持網路爬蟲正常功能實現，內置了大量的庫，主要有幾種類型。下面本篇文章就來給大家介紹。
一、Python爬蟲網路庫
Python爬蟲網路庫主要包括：urllib、requests、grab、pycurl、urllib3、httplib2、RoboBrowser、MechanicalSoup、mechanize、socket、Unirest for Python、hyper、PySocks、treq以及aiohttp等。
二、Python網路爬蟲框架
Python網路爬蟲框架主要包括：grab、scrapy、pyspider、cola、portia、restkit以及demiurge等。
三、HTML/XML解析器?
●lxml：C語言編寫高效HTML/ XML處理庫。支持XPath。
●cssselect：解析DOM樹和CSS選擇器。
●pyquery：解析DOM樹和jQuery選擇器。
●BeautifulSoup：低效HTML/ XML處理庫，純Python實現。
●html5lib：根據WHATWG規范生成HTML/ XML文檔的DOM。該規范被用在現在所有的瀏覽器上。
●feedparser：解析RSS/ATOM feeds。
●MarkupSafe：為XML/HTML/XHTML提供了安全轉義的字元串。
●xmltodict：一個可以讓你在處理XML時感覺像在處理JSON一樣的Python模塊。
●xhtml2pdf：將HTML/CSS轉換為PDF。
●untangle：輕松實現將XML文件轉換為Python對象。
四、文本處理
用於解析和操作簡單文本的庫。
●difflib：（Python標准庫）幫助進行差異化比較。
●Levenshtein：快速計算Levenshtein距離和字元串相似度。
●fuzzywuzzy：模糊字元串匹配。
●esmre：正則表達式加速器。
●ftfy：自動整理Unicode文本，減少碎片化。
五、特定格式文件處理
解析和處理特定文本格式的庫。
●tablib：一個把數據導出為XLS、CSV、JSON、YAML等格式的模塊。
●textract：從各種文件中提取文本，比如 Word、PowerPoint、PDF等。
●messytables：解析混亂的表格數據的工具。
●rows：一個常用數據介面，支持的格式很多（目前支持CSV，HTML，XLS，TXT：將來還會提供更多！）。