很多朋友不知道Python爬蟲(chóng)怎么入門，怎么學(xué)習(xí)，到底要學(xué)習(xí)哪些內(nèi)容。今天我來(lái)給大家說(shuō)說(shuō)學(xué)習(xí)爬蟲(chóng)，我們必須掌握的一些第三方庫(kù)。

廢話不多說(shuō)，直接上干貨。

[[278632]]

1.請(qǐng)求庫(kù)

1. requests

GitHub：https://github.com/psf/requests

requests庫(kù)應(yīng)該是現(xiàn)在做爬蟲(chóng)最火最實(shí)用的庫(kù)了，非常的人性化。有關(guān)于它的使用我之前也寫(xiě)過(guò)一篇文章 一起看看Python之Requests庫(kù) ，大家可以去看一下。

有關(guān)于requests最詳細(xì)的使用方法，大家可以參考官方文檔：https://requests.readthedocs.io/en/master/

使用小案例：

>>> import requests 
>>> r = requests.get('https://api.github.com/user', auth=('user', 'pass')) 
>>> r.status_code 
200 
>>> r.headers['content-type'] 
'application/json; charset=utf8' 
>>> r.encoding 
'utf-8' 
>>> r.text 
u'{"type":"User"...' 
>>> r.json() 
{u'disk_usage': 368627, u'private_gists': 484, ...} 

2. urllib3

GitHub：https://github.com/urllib3/urllib3

urllib3是一個(gè)非常強(qiáng)大的http請(qǐng)求庫(kù)，提供一系列的操作URL的功能。

有關(guān)于它的詳細(xì)使用方法可以參考：https://urllib3.readthedocs.io/en/latest/

使用小案例：

>>> import urllib3 
>>> http = urllib3.PoolManager() 
>>> r = http.request('GET', 'http://httpbin.org/robots.txt') 
>>> r.status 
200 
>>> r.data 
'User-agent: *\nDisallow: /deny\n' 

3.selenium

GitHub：https://github.com/SeleniumHQ/selenium

自動(dòng)化測(cè)試工具。一個(gè)調(diào)用瀏覽器的 driver，通過(guò)這個(gè)庫(kù)你可以直接調(diào)用瀏覽器完成某些操作，比如輸入驗(yàn)證碼。

對(duì)于這個(gè)庫(kù)并非只是Python才能用，像JAVA、Python、C#等都能夠使用selenium這個(gè)庫(kù)

有關(guān)于Python語(yǔ)言如何去使用這個(gè)庫(kù)，大家可以去訪問(wèn)https://seleniumhq.github.io/selenium/docs/api/py/ 查看官方文檔

使用小案例：

from selenium import webdriver 
browser = webdriver.Firefox() 
browser.get('http://seleniumhq.org/') 

4.aiohttp

GitHub：https://github.com/aio-libs/aiohttp

基于 asyncio 實(shí)現(xiàn)的 HTTP 框架。異步操作借助于 async/await 關(guān)鍵字，使用異步庫(kù)進(jìn)行數(shù)據(jù)抓取，可以大大提高效率。

這個(gè)屬于進(jìn)階爬蟲(chóng)時(shí)候必須掌握的異步庫(kù)。有關(guān)于aiohttp的詳細(xì)操作，可以去官方文檔：https://aiohttp.readthedocs.io/en/stable/

使用小案例：

import aiohttp 
import asyncio 
async def fetch(session, url): 
 async with session.get(url) as response: 
 return await response.text() 
async def main(): 
 async with aiohttp.ClientSession() as session: 
 html = await fetch(session, 'http://python.org') 
 print(html) 
if __name__ == '__main__': 
 loop = asyncio.get_event_loop() 
 loop.run_until_complete(main()) 

2 解析庫(kù)

1、beautifulsoup

官方文檔：https://www.crummy.com/software/BeautifulSoup/

html 和 XML 的解析,從網(wǎng)頁(yè)中提取信息，同時(shí)擁有強(qiáng)大的API和多樣解析方式。一個(gè)我經(jīng)常使用的解析庫(kù)，對(duì)于html的解析是非常的好用。對(duì)于寫(xiě)爬蟲(chóng)的人來(lái)說(shuō)這也是必須掌握的庫(kù)。

2、lxml

GitHub：https://github.com/lxml/lxml

支持HTML和XML的解析，支持XPath解析方式，而且解析效率非常高。

3、pyquery

GitHub：https://github.com/gawel/pyquery

jQuery 的 Python 實(shí)現(xiàn)，能夠以 jQuery 的語(yǔ)法來(lái)操作解析 HTML 文檔，易用性和解析速度都很好。

3. 數(shù)據(jù)存儲(chǔ)庫(kù)

1、pymysql

GitHub：https://github.com/PyMySQL/PyMySQL

官方文檔：https://pymysql.readthedocs.io/en/latest/

一個(gè)純 Python 實(shí)現(xiàn)的 MySQL 客戶端操作庫(kù)。非常的實(shí)用、非常的簡(jiǎn)單。

2、pymongo

GitHub：https://github.com/mongodb/mongo-python-driver

官方文檔：https://api.mongodb.com/python/

顧名思義，一個(gè)用于直接連接 mongodb 數(shù)據(jù)庫(kù)進(jìn)行查詢操作的庫(kù)。

3、redisdump

使用方法：https://blog.csdn.net/zhwitbird/article/details/81279406

redis-dump是將redis和json互轉(zhuǎn)的工具;redis-dump是基于ruby開(kāi)發(fā)，需要ruby環(huán)境，而且新版本的redis-dump要求2.2.2以上的ruby版本，centos中yum只能安裝2.0版本的ruby。需要先安裝ruby的管理工具rvm安裝高版本的ruby。