(1)爬虫框架或模块
Python自带爬虫模块:urllib、urllib2 ;
第三方爬虫模块:requests,aiohttp;
爬虫框架: Scrapy、pyspider。
Python爬虫基础,快速入门Scrapy爬虫框架
(2)爬虫框架或模块的优缺点
urllib和urllib2模块都用于请求URL相关的操作,但他们提供了不同的功能。urllib2模块中urllib2.urlopen可以接受一个Request对象或者url,(在接受Request对象时候,并以此可以来设置一个URL 的headers),且只接收一个url;urllib中有urlencode,而urllib2中没有。因此,开发人员在实际开发中经常会将urllib与urllib2一起使用。
requests是一个HTTP库, 它仅仅用于发送请求。对于HTTP请求而言,request是一个强大的库,可以自己处理下载、解析,灵活性更高,高并发与分布式部署也非常灵活,对于功能可以更好实现。
aiohttp是一个基于python3的asyncio携程机制实现的一个http库。相比requests,aiohttp自身就具备了异步功能。但只能在python3环境中使用。
Scrapy是封装起来的框架,它包含了下载器、解析器、日志及异常处理,是基于多线程的,采用twisted的方式处理。对于固定单个网站的爬取开发,Scrapy具有优势;对于多网站爬取,并发及分布式处理方面,Scrapy不够灵活,不便调整与扩展。
Scrapy具有以下优点:
·Scrapy是异步的;
·采取可读性更强的XPath代替正则表达式;
·强大的统计和log 系统;
·可同时在不同的URL上爬行;
·支持shell方式,方便独立调试;
·方便写一些统一的过滤器;
·通过管道的方式存入数据库。
Scrapy是基于python实现的爬虫框架,扩展性比较差。
Pyspider是一个重量级的爬虫框架。我们知道Scrapy没有数据库集成、分布式、断点续爬的支持、UI控制界面等等,若Scrapy想要实现这些功能,需要自行开发。Pyspider已经集成了前面这些功能,也正因如此,Pyspider的扩展性太差,学习难度较大。