Python写爬虫都用到什么库

Python爬虫，全称Python网络爬虫，是一种按照一定的规则，自动地抓取万维网信息的程序或脚本，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！）。