python爬虫 被重定向_50 种最棒的开源爬虫框架/项目

作者：Prowebscraper 博客

译者：Rays

摘要： 说起爬虫框架，你可能会马上脱口而出：「 Scrapy 或者 Pyspider」，甚至你可能认为只有 Python 才能爬虫。其实还有很多好用的开源爬虫框架，也绝不仅仅只有 Python 才能写爬虫，大多数热门语言都可以做。

总之，开源 Web 爬虫纷繁多样，下面按照所用程语言，罗列五十种最好的开源爬虫框架，每一个各具特长，适用于不同场景和用户需求。下面来一睹为快。

Python 编写的开源 Web 爬虫

1. Scrapy

• 实现语言：Python
• GitHub Star 数：28660
• 官方支持链接

简介：

• Scrapy 是一种高速的高层 Web 爬取和 Web 采集框架，可用于爬取网站页面，并从页面中抽取结构化数据。
• Scrapy 的用途广泛，适用于从数据挖掘、监控到自动化测试。
• Scrapy 设计上考虑了从网站抽取特定的信息，它支持使用 CSS 选择器和 XPath 表达式，使开发人员可以聚焦于实现数据抽取。
• 对于熟悉 Python 的开发人员，只需几分钟就能建立并运行 Scrapy。
• 支持运行在 Linux、Mac OS 和 Windows 系统上。

特性：

• 内置支持从 HTML 和 XML 抽取数据、使用扩展的 CSS 选择器（Selector）和 XPath 表达式等特性。
• 支持以多种格式（JSON、CSV、XML）生成输出。
• 基于 Twisted 构建。
• 稳健的支持，自动检测编码方式。
• 快速，功能强大。

– 官方文档：https://docs.scrapy.org/en/latest/

– 官方网站：https://scrapy.org/

2. Cola

• 实现语言：Python
• GitHub Star 数：1274
• 官方支持链接

简介：

• Cola 是一种高层分布式爬取框架，实现从网站爬取网页，并从中抽取结构化数据。
• 它提供了一种实现目标数据获取的简单且灵活的方式。
• 用户只需要编写其中一部分代码，就可在本地和分布式环境下运行。

特性：

• 高层分布式爬取框架。
• 简单且高速。
• 灵活。

– 官方文档：https://github.com/chineking/cola

– 官方网站：https://pypi.org/project/Cola/

3. Crawley

• 实现语言 Python
• GitHub Star 数： 144
• 官方支持链接

简介：

• Crawley 是一种 Python 爬取和采集框架，意在简化开发人员从 Web 网页抽取数据到数据库等结构化存储中。

特性：

• 基于 Eventlet 构建的高速 Web 爬虫。
• 支持 MySQL、PostgreSQL、Oracle、Sqlite 等关系数据库引擎。
• 支持 MongoDB、CouchDB 等 NoSQL 数据库（最新特性！）。
• 支持导出数据为 JSON、XML 和 CSV 格式（最新特性！）。
• 命令行工具。
• 支持开发人员使用自己喜好的工具，例如 XPath 或 Pyquery（一种类似于 JQuery 的 Python 软件库）等。
• 支持 Cookie 处理器（Handler）。

– 官方文档：https://pythonhosted.org/crawley/

– 官方网站：http://project.crawley-cloud.com/

4. MechanicalSoup

• 实现语言： Python
• GitHub Star 数： 2803
• 官方支持链接

简介：

• MechanicalSoup 是一种设计模拟人类使用 Web 浏览器行为的 Python 软件库，它基于解析软件库 BeautifulSoup 构建。
• 如果开发人员需要从单个站点采集数据，或是不需要大量数据采集，那么使用 MechanicalSoup 是一种简单高效的方法。
• MechanicalSoup 自动存储和发送 Cookie、跟踪重定向、支持链接跟随和提交表单。

特性：

• 轻量级。
• 支持 Cookie 处理器。

– 官方文档： https://mechanicalsoup.readthedocs.io/en/stable/

– 官方网站：https://mechanicalsoup.readthedocs.io/

5. PySpider

• 实现语言： Python
• GitHub Star 数： 11803
• 官方支持链接

简介：

• PySpider 是一种 Python 编写的强大 Web 爬虫。
• 它支持 JavaScript 网页，并具有分布式架构。
• PySpider 支持将爬取数据存储在用户选定的后台数据库，包括MySQL, MongoDB, Redis, SQLite, Elasticsearch等。
• 支持开发人员使用 RabbitMQ、Beanstalk 和 Redis 等作为消息队列。

特性：

• 提供强大 Web 界面，具有脚本编辑器、任务监控、项目管理器和结果查看器。
• 支持对重度 Ajax 网站的爬取。
• 易于实现适用、快速的爬取。

– 官方文档： http://docs.pyspider.org/

– 官方网站：https://github.com/binux/pyspider

6. Portia

• 实现语言： Python
• GitHub Star 数： 6250
• 官方支持链接

简介：

• Portia 是由 Scrapinghub 创建的一种可视化爬取工具，它不需要用户具有任何程序开发知识。
• 如果用户并非开发人员，最好直接使用 Portia 实现 Web 爬取需求。
• 用户无需任何安装就可免费试用 Portia，只需要在 Scrapinghub 注册一个账户，就可使用托管版本。
• 即便用户没有编程技能，在 Portia 中创建爬虫并抽取 Web 内容也是非常易于实现的。
• 用户无需安装任何程序，因为 Portia 是运行在 Web 页面上的。
• 用户可以使用 Portia 的基本点击工具标注需要爬取的数据，然后 Portia 就会根据这些标注理解如何爬取类似页面中的数据。
• 一旦检测到需要爬取的页面，Portia 会形成一个用户已创建结构的实例。

特性：

• 通过记录并回放用户在页面上的操作，实现点击、拖动和等待等动作。
• Portia 可以很好地爬取基于 Ajax 构建的网站（基于 Splash），也适用于爬取 Backbone、Angular 和 Ember 等重度 JavsScript 框架。

– 官方文档：https://portia.readthedocs.io/en/latest/index.html

– 官方网站： https://github.com/scrapinghub/portia

7. Beautifulsoup

• 实现语言： Python
• 官方支持链接

简介：

• Beautiful Soup 一种设计用于实现 Web 爬取等快速数据获取项目的 Python 软件库。
• 它在设计上处于 HTML 或 XML 解析器之上，提供用于迭代、搜索和修改解析树等功能的 Python 操作原语。往往能为开发人员节省数小时乃至数天的工作。

特性：

• Beautiful Soup 自动将输入文档转换为 Unicode 编码，并将输出文档转换为 UTF-8 编码。
• Beautiful Soup 处于一些广为采用的 Python 解析器（例如，lxml和html5lib）之上，支持用户尝试使用多种不同的解析策略，并在速度和灵活性上做出权衡。

– 官方文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/

– 官方网站： https://www.crummy.com/software/BeautifulSoup/

8. Spidy 爬虫

• 实现语言： Python
• GitHub Star 数： 152
• 官方支持链接

简介：

• Spidy 是一种从命令行运行的 Web 爬虫。易于使用。用户只需提供 Web 网页的 URL 链接，Spidy 就可以开始爬取！Spidy 无疑是一种整体爬取 Web 的简单有效的方式。
• Spidy 使用 Python 请求查询 Web 页面，并使用 lxml 抽取页面中的所有链接。非常简单！

特性：

• 错误处理。
• 跨平台兼容性。
• 频繁时间戳日志。
• 可移植性。
• 用户友好的日志。
• 保存 Web 页面。
• 支持文件压缩。

– 官方文档：https://github.com/rivermont/spidy

– 官方网站： http://project.crawley-cloud.com/

9. Garb

• 实现语言： Python
• GitHub Star 数： 1627
• 官方支持链接

简介：

• Grab 是一种用于构建爬虫的 Python 框架。
• 使用 Grab 可构建出各种复杂度的 Web 爬虫，从只有五行代码的脚本，到可处理百万量级