常见爬虫框架介绍

        使用Python语言开发的爬虫框架有很多，但是实现方式和原理大同小异，用户只需深入掌握一种框架，对其他框架做简单了解即可。

        常见的Python框架主要有以下5种：Scrapy、Crawley、Portia、Newspaper和Python-goose，下面分别对这些框架进行简单介绍。

1.Scrapy框架

        Scrapy是用纯Python实现的一个开源爬虫框架，是为了高效地爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛，可用于爬虫开发、数据挖掘、数据监测、自动化测试等领域。

        Scrapy使用了Twisted（其主要对手是Tornado）异步网络框架来处理网络通信，该网络框架可以加快下载速度，并且包含了各种中间件接口，可以灵活地完成各种需求。

        Scrapy的官网地址是https://scrapy.org/,其官网界面如图1-1所示。

 图1-1   Scrapy官网界面 

        Scrapy功能很强大，她支持自定义Item和pipeline数据管道；支持在Spider中指定domain（网页域范围）以及相应的Rule（爬取规则）；支持XPath对DOM的解析等。而且Scrapy还有自己的shell，可以方便地调试爬虫项目和查看爬虫运行结果。

        由于Scrapy运行速度快、操作简单、可扩展性强，它已成为目前最常用的通用爬虫框架，也是本节主要介绍的框架。

        示例：在Linux（Ubuntu）系统下的安装Scrapy

        如果要在Linux系统下使用Scrapy，任何进行Scrapy的安装？

        以下是使用的Linux系统是Ubuntu。Ubuntu是一个基于Linux的免费开源桌面PC操作系统，支持x86、amd64（即x64）和ppc结构，由全球化的专业团队开发（Canonical Ltd）打造。

        下面就介绍如何在Ubuntu系统下安装Scrapy：

        Ubuntu系统需要9.10或以上版本才能安装Scarpy。并且，在安装之前，应先确定Ubuntu上已安装最新版的Python和pip。Scarpy的安装步骤如下：

        （1）打开终端并更新系统：

    sudo apt-get update

        （2）安装Python和pip：

    sudo apt-get install python3 python3-pip

         （3）安装libxml2-dev和libxslt-dev：

    sudo apt-get install libxml2-dev libxslt-dev

        （4）安装build-essential：

    sudo apt-get install build-essential

        （5）安装Scrapy：

    pip3 install scrapy

如果您的系统中同时安装了Python 2和Python 3，则需要使用pip3命令来安装Scrapy。

        （6）验证Scrapy是否正确安装：

    scrapy version

如果成功安装Scrapy，则会显示Scrapy的版本信息。

2.Crawley框架

        Crawley是用Python开发出的、基于非阻塞通信（NIO）的Python爬虫框架，它能高速爬取对应网站的内容，支持关系型和非关系型数据库（如MongoDB、Postgre、Mysql、Oracle、Sqlite等）支持输出Json、XML和CSV等各种格式。

        Crawley框架的官方地址是https://pythonhosted.org/crawley，其官网主界面如图1-2所示。

图1-2   Crawley官网主界面 

        Crawley框架的功能也比较多，大家如果对Crawley感兴趣，也可以自行探索。

3.Portia框架

        Portia是scrapyhub开源的一款可视化的爬虫规则编写工具，提供可视化的Web页面，用户只需要点击标注页面上需要抽取的数据，不需要任何编程知识即可完成规则的开发（但是动态网页需要自己编写JS解析器）。

        Portia框架在GitHub上的项目地址为https://github,com/scrapinghub/portia，可以从该地址将Portia框架下载到本地使用。图1-3所示为Portia框架在GitHub上的主页。

图1-3   Portia框架在GitHub上的主页

        除此之外，Portia框架还提供了网页版，用户只需要注册一个账号，不需要下载框架就可以使用。网页版Portia的地址是：https://app.scrapinghub.com/，它的注册界面如图1-4所示。

图1-4   网页版Portia的注册界面

        Portia框架不需要任何编程基础就可以使用，用户如果感兴趣，可以通过它的在线网页自行探索该框架的使用方法。

4.Newspaper框架

Newspaper框架是专门用于提取新闻、文章和内容分析的爬虫框架。该框架的特点如下：

        （1）支持10多种语言（英语、中文、德语等）

        （2）所有内容都使用Unicode编码。

        （3）使用多线程下载文章。

        （4）能够识别新闻网站的URL。

        （5）能够从网页中提取文本和图片，并且从文本中提取关键词、摘要和作者。

        Newspaper框架在GitHub上的主页地址是https://github.com/codelucas/newspape，其页面如图1-5所示。

图1-5   Newspaper框架在GitHub上的主页

5.Python-goose框架

        goose本身是一个用Java语言编写的用于提取文章的框架，Python-goose是用Python语言对goose框架的重新实现。Python-goose的设计目的是爬取新闻和网页文章，并从中提取以下内容：

        （1）文章的主体；

        （2）文章中的图片；

        （3）文章中包含的所有YouTube/Vimeo视频；

        （4）元描述信息；

        （5）元标签。

        通过访问Python-goose框架在GitHub上的主页（地址是https://github.com/grangier/python-goose），可以将Python-goose框架下载到本地。Python-goose框架在GitHub上的主界面如图1-6所示。

图1-6   PYthon-goose框架在GitHub上的主界面

        总的来说，Python语言提供了多种爬虫框架供用户选择，包括Scrapy、Crawley、Portia、Newspaper和Python-goose。Scrapy是一个高效的开源爬虫框架，支持异步网络通信，功能强大且灵活，适用于各种爬虫开发和数据挖掘任务。Crawley是基于非阻塞通信的爬虫框架，具有快速爬取网站内容的能力，并支持多种数据库和数据格式。Portia是一个可视化的爬虫规则编写工具，无需编程知识，通过点击标注页面来定义规则，适合非技术背景的用户。Newspaper是专门用于提取新闻和文章内容的爬虫框架，支持多种语言和多线程下载，可以提取文本、图片、关键词等信息。Python-goose是goose框架的Python实现，用于爬取新闻和文章，并提取主体、图片、视频等元信息。