1、你用过的爬虫框架或者模块有哪些?谈谈他们的区别或者优缺点
Python自带:urllib,urllib2;
第 三 方:requests;
框 架:Scrapy;
urllib和urllib2模块都做与请求URL相关的操作,但他们提供不同的功能。
urllib2.: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),urllib.urlopen只接收一个url。
urllib:有urlencode,urllib2没有,因此总是urllib,urllib2常会一起使用的原因
scrapy是封装起来的框架,他包含了下载器,解析器,日志及异常处理,基于多线程, twisted的方式处理,对于固定单个网站的爬取开发,有优势,但是对于多网站爬取 100个网站,并发及分布式处理方面,不够灵活,不便调整与括展。
request 是一个HTTP库, 它只是用来,进行请求,对于HTTP请求,他是一个强大的库,下载,解析全部自己处理,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.
Scrapy优缺点:
优点:
- scrapy 是异步的;
- 采取可读性更强的xpath代替正则;
- 强大的统计和log系统;
- 同时在不同的url上爬行;