1.python爬虫框架

(1)Scrapy:很强大的爬虫框架，可以满足简单的页面爬取（比如可以明确获知url pattern的情况）。用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。但是对于稍微复杂一点的页面，如weibo的页面信息，这个框架就满足不了需求了。


(2)Crawley: 高速爬取对应网站的内容，支持关系和非关系数据库，数据可以导出为JSON、XML等


(3)Portia:可视化爬取网页内容


(4)newspaper:提取新闻、文章以及内容分析


(5)python-goose:java写的文章提取工具


(6)Beautiful Soup:名气大，整合了一些常用爬虫需求。缺点：不能加载JS。


(7)mechanize:优点：可以加载JS。缺点：文档严重缺失。不过通过官方的example以及人肉尝试的方法，还是勉强能用的。


(8)selenium:这是一个调用浏览器的driver，通过这个库你可以直接调用浏览器完成某些操作，比如输入验证码。

2. 爬虫基本流程

(1)发起请求

通过HTTP库向目标站点发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器响应。

(2)获取响应

如果服务器能正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能有HTML，Json字符串，二进制数据（如图片视频）等类型。

(3)解析内容

得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是Json，可以直接转为Json对象解析，可能是二进制数据，可以做保存或者进一步处理。

(4)保存数据

保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件。6. 能抓怎样的数据
网页文本

如HTML文档、Json格式文本等。

(5)图片

获取到的是二进制文件、保存为图片格式。

(6)视频

同为二进制文件，保存为视频格式即可。

3. 怎样进行网页的解析
直接处理
Json解析（Ajax）
正则表达式
BeautifulSoap
PyQuery
XPath
为什么抓到的和浏览器看到的不一样
因为抓到的结果里面有很多js文件，里面包含的网页中内容的请求。浏览器则是把所有js加载完毕后才显示出来的。