學(xué)Python，想必大家都是從爬蟲開始的吧。畢竟網(wǎng)上類似的資源很豐富，開源項(xiàng)目也非常多。

Python學(xué)習(xí)網(wǎng)絡(luò)爬蟲主要分3個(gè)大的版塊：抓取，分析，存儲(chǔ)

當(dāng)我們?cè)跒g覽器中輸入一個(gè)url后回車，后臺(tái)會(huì)發(fā)生什么？

簡(jiǎn)單來(lái)說(shuō)這段過(guò)程發(fā)生了以下四個(gè)步驟：

• 查找域名對(duì)應(yīng)的IP地址。

• 向IP對(duì)應(yīng)的服務(wù)器發(fā)送請(qǐng)求。

• 服務(wù)器響應(yīng)請(qǐng)求，發(fā)回網(wǎng)頁(yè)內(nèi)容。

• 瀏覽器解析網(wǎng)頁(yè)內(nèi)容。

？

那么學(xué)習(xí)爬蟲需要掌握哪些庫(kù)呢

通用：

• urllib -網(wǎng)絡(luò)庫(kù)(stdlib)。

• requests -網(wǎng)絡(luò)庫(kù)。

• grab – 網(wǎng)絡(luò)庫(kù)（基于pycurl）。

• pycurl – 網(wǎng)絡(luò)庫(kù)（綁定libcurl）。

• urllib3 – Python HTTP庫(kù)，安全連接池、支持文件post、可用性高。

• httplib2 – 網(wǎng)絡(luò)庫(kù)。

• RoboBrowser – 一個(gè)簡(jiǎn)單的、極具Python風(fēng)格的Python庫(kù)，無(wú)需獨(dú)立的瀏覽器即可瀏覽網(wǎng)頁(yè)。

• MechanicalSoup -一個(gè)與網(wǎng)站自動(dòng)交互Python庫(kù)。

• mechanize -有狀態(tài)、可編程的Web瀏覽庫(kù)。

• socket – 底層網(wǎng)絡(luò)接口(stdlib)。

• Unirest for Python – Unirest是一套可用于多種語(yǔ)言的輕量級(jí)的HTTP庫(kù)。

• hyper – Python的HTTP/2客戶端。

• PySocks – SocksiPy更新并積極維護(hù)的版本，包括錯(cuò)誤修復(fù)和一些其他的特征。作為socket模塊的直接替換。

網(wǎng)絡(luò)爬蟲框架

• 功能齊全的爬蟲

• grab – 網(wǎng)絡(luò)爬蟲框架（基于pycurl/multicur）。

• scrapy – 網(wǎng)絡(luò)爬蟲框架（基于twisted），不支持Python3。

• pyspider – 一個(gè)強(qiáng)大的爬蟲系統(tǒng)。

• cola – 一個(gè)分布式爬蟲框架。

• 其他

• portia – 基于Scrapy的可視化爬蟲。

• restkit – Python的HTTP資源工具包。它可以讓你輕松地訪問(wèn)HTTP資源，并圍繞它建立的對(duì)象。

• demiurge – 基于PyQuery的爬蟲微框架。

HTML/XML解析器

• 通用

• lxml – C語(yǔ)言編寫高效HTML/ XML處理庫(kù)。支持XPath。

• cssselect – 解析DOM樹和CSS選擇器。

• pyquery – 解析DOM樹和jQuery選擇器。

• BeautifulSoup – 低效HTML/ XML處理庫(kù)，純Python實(shí)現(xiàn)。

• html5lib – 根據(jù)WHATWG規(guī)范生成HTML/ XML文檔的DOM。該規(guī)范被用在現(xiàn)在所有的瀏覽器上。

• feedparser – 解析RSS/ATOM feeds。

• MarkupSafe – 為XML/HTML/XHTML提供了安全轉(zhuǎn)義的字符串。

• xmltodict – 一個(gè)可以讓你在處理XML時(shí)感覺(jué)像在處理JSON一樣的Python模塊。

• xhtml2pdf – 將HTML/CSS轉(zhuǎn)換為PDF。

• untangle – 輕松實(shí)現(xiàn)將XML文件轉(zhuǎn)換為Python對(duì)象。

• 清理

• Bleach – 清理HTML（需要html5lib）。

• sanitize – 為混亂的數(shù)據(jù)世界帶來(lái)清明。

文本處理

用于解析和操作簡(jiǎn)單文本的庫(kù)。

• 通用

• difflib – （Python標(biāo)準(zhǔn)庫(kù)）幫助進(jìn)行差異化比較。

• Levenshtein – 快速計(jì)算Levenshtein距離和字符串相似度。

• fuzzywuzzy – 模糊字符串匹配。

• esmre – 正則表達(dá)式加速器。

• ftfy – 自動(dòng)整理Unicode文本，減少碎片化。

自然語(yǔ)言處理

處理人類語(yǔ)言問(wèn)題的庫(kù)。

• NLTK -編寫Python程序來(lái)處理人類語(yǔ)言數(shù)據(jù)的最好平臺(tái)。

• Pattern – Python的網(wǎng)絡(luò)挖掘模塊。他有自然語(yǔ)言處理工具，機(jī)器學(xué)習(xí)以及其它。

• TextBlob – 為深入自然語(yǔ)言處理任務(wù)提供了一致的API。是基于NLTK以及Pattern的巨人之肩上發(fā)展的。

• jieba – 中文分詞工具。

• SnowNLP – 中文文本處理庫(kù)。

• loso – 另一個(gè)中文分詞庫(kù)。

瀏覽器自動(dòng)化與仿真

• selenium – 自動(dòng)化真正的瀏覽器（Chrome瀏覽器，火狐瀏覽器，Opera瀏覽器，IE瀏覽器）。

• Ghost.py – 對(duì)PyQt的webkit的封裝（需要PyQT）。

• Spynner – 對(duì)PyQt的webkit的封裝（需要PyQT）。

• Splinter – 通用API瀏覽器模擬器（selenium web驅(qū)動(dòng)，Django客戶端，Zope）。

多重處理

• threading – Python標(biāo)準(zhǔn)庫(kù)的線程運(yùn)行。對(duì)于I/O密集型任務(wù)很有效。對(duì)于CPU綁定的任務(wù)沒(méi)用，因?yàn)閜ython GIL。

• multiprocessing – 標(biāo)準(zhǔn)的Python庫(kù)運(yùn)行多進(jìn)程。

• celery – 基于分布式消息傳遞的異步任務(wù)隊(duì)列/作業(yè)隊(duì)列。

• concurrent-futures – concurrent-futures 模塊為調(diào)用異步執(zhí)行提供了一個(gè)高層次的接口。

異步

異步網(wǎng)絡(luò)編程庫(kù)

• asyncio – （在Python 3.4 +版本以上的 Python標(biāo)準(zhǔn)庫(kù)）異步I/O，時(shí)間循環(huán)，協(xié)同程序和任務(wù)。

• Twisted – 基于事件驅(qū)動(dòng)的網(wǎng)絡(luò)引擎框架。

• Tornado – 一個(gè)網(wǎng)絡(luò)框架和異步網(wǎng)絡(luò)庫(kù)。

• pulsar – Python事件驅(qū)動(dòng)的并發(fā)框架。

• diesel – Python的基于綠色事件的I/O框架。

• gevent – 一個(gè)使用greenlet 的基于協(xié)程的Python網(wǎng)絡(luò)庫(kù)。

• eventlet – 有WSGI支持的異步框架。

• Tomorrow – 異步代碼的奇妙的修飾語(yǔ)法。

隊(duì)列

• celery – 基于分布式消息傳遞的異步任務(wù)隊(duì)列/作業(yè)隊(duì)列。

• huey – 小型多線程任務(wù)隊(duì)列。

• mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任務(wù)隊(duì)列。

• RQ – 基于Redis的輕量級(jí)任務(wù)隊(duì)列管理器。

• simpleq – 一個(gè)簡(jiǎn)單的，可無(wú)限擴(kuò)展，基于Amazon SQS的隊(duì)列。

• python-gearman – Gearman的Python API。

云計(jì)算

• picloud – 云端執(zhí)行Python代碼。

• dominoup.com – 云端執(zhí)行R，Python和matlab代碼

網(wǎng)頁(yè)內(nèi)容提取

提取網(wǎng)頁(yè)內(nèi)容的庫(kù)。

• HTML頁(yè)面的文本和元數(shù)據(jù)

• newspaper – 用Python進(jìn)行新聞提取、文章提取和內(nèi)容策展。

• html2text – 將HTML轉(zhuǎn)為Markdown格式文本。

• python-goose – HTML內(nèi)容/文章提取器。

• lassie – 人性化的網(wǎng)頁(yè)內(nèi)容檢索工具

WebSocket

用于WebSocket的庫(kù)。

• Crossbar – 開源的應(yīng)用消息傳遞路由器（Python實(shí)現(xiàn)的用于Autobahn的WebSocket和WAMP）。

• AutobahnPython – 提供了WebSocket協(xié)議和WAMP協(xié)議的Python實(shí)現(xiàn)并且開源。

• WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和服務(wù)器庫(kù)。

DNS解析

• dnsyo – 在全球超過(guò)1500個(gè)的DNS服務(wù)器上檢查你的DNS。

• pycares – c-ares的接口。c-ares是進(jìn)行DNS請(qǐng)求和異步名稱決議的C語(yǔ)言庫(kù)。

計(jì)算機(jī)視覺(jué)

• OpenCV – 開源計(jì)算機(jī)視覺(jué)庫(kù)。

• SimpleCV – 用于照相機(jī)、圖像處理、特征提取、格式轉(zhuǎn)換的簡(jiǎn)介，可讀性強(qiáng)的接口（基于OpenCV）。

• mahotas – 快速計(jì)算機(jī)圖像處理算法（完全使用 C++ 實(shí)現(xiàn)），完全基于 numpy 的數(shù)組作為它的數(shù)據(jù)類型。

代理服務(wù)器

• shadowsocks – 一個(gè)快速隧道代理，可幫你穿透防火墻（支持TCP和UDP，TFO，多用戶和平滑重啟，目的IP黑名單）。

• tproxy – tproxy是一個(gè)簡(jiǎn)單的TCP路由代理（第7層），基于Gevent，用Python進(jìn)行配置。

web開發(fā)的一些框架

1.Django

Django是一個(gè)開源的Web應(yīng)用框架，由Python寫成，支持許多數(shù)據(jù)庫(kù)引擎，可以讓W(xué)eb開發(fā)變得迅速和可擴(kuò)展，并會(huì)不斷的版本更新以匹配Python最新版本，如果是新手程序員，可以從這個(gè)框架入手。

2.Flask

Flask是一個(gè)輕量級(jí)的Web應(yīng)用框架, 使用Python編寫?；?WerkzeugWSGI工具箱和 Jinja2模板引擎。使用 BSD 授權(quán)。

Flask也被稱為 “microframework” ，因?yàn)樗褂煤?jiǎn)單的核心，用 extension 增加其他功能。Flask沒(méi)有默認(rèn)使用的數(shù)據(jù)庫(kù)、窗體驗(yàn)證工具。然而，F(xiàn)lask保留了擴(kuò)增的彈性，可以用Flask-extension加入這些功 能：ORM、窗體驗(yàn)證工具、文件上傳、各種開放式身份驗(yàn)證技術(shù)。

3.Web2py

Web2py是一個(gè)用Python語(yǔ)言編寫的免費(fèi)的開源Web框架，旨在敏捷快速的開發(fā)Web應(yīng)用，具有快速、可擴(kuò)展、安全以及可移植的數(shù)據(jù)庫(kù)驅(qū)動(dòng)的應(yīng)用，遵循LGPLv3開源協(xié)議。

Web2py提供一站式的解決方案，整個(gè)開發(fā)過(guò)程都可以在瀏覽器上進(jìn)行，提供了Web版的在線開發(fā)，HTML模版編寫，靜態(tài)文件的上傳，數(shù)據(jù)庫(kù)的編寫的功能。其它的還有日志功能，以及一個(gè)自動(dòng)化的admin接口。

4.Tornado

Tornado即是一個(gè)Web server（對(duì)此本文不作詳述），同時(shí)又是一個(gè)類web.py的micro-framework，作為框架Tornado的思想主要來(lái)源于Web.py，大家在Web.py的網(wǎng)站首頁(yè)也可以看到Tornado的大佬Bret Taylor的這么一段話（他這里說(shuō)的FriendFeed用的框架跟Tornado可以看作是一個(gè)東西）：

“[web.py inspired the] Web framework we use at FriendFeed [and] the webapp framework that ships with App Engine…”

因?yàn)橛羞@層關(guān)系，后面不再單獨(dú)討論Tornado。

5.CherryPy

CherryPy是一種用于Python的、簡(jiǎn)單而非常有用的Web框架，其主要作用是以盡可能少的操作將Web服務(wù)器與Python代碼連接，其功能包括內(nèi)置的分析功能、靈活的插件系統(tǒng)以及一次運(yùn)行多個(gè)HTTP服務(wù)器的功能，可與運(yùn)行在最新版本的Python、Jython、Android上。

關(guān)于框架的選擇誤區(qū)

1. 在框架的選擇問(wèn)題上，許多人很容易就陷入了下面兩個(gè)誤區(qū)中而不自知：哪個(gè)框架最好——世上沒(méi)有最好的框架，只有最適合你自己、最適合你的團(tuán)隊(duì)的框架。編程語(yǔ)言選擇也是一個(gè)道理，你的團(tuán)隊(duì)Python最熟就用Python好了，如果最熟悉的是Ruby那就用Ruby好了，編程語(yǔ)言、框架都只是工具，能多、快、好、省的干完活就是好東西。

2. 過(guò)分關(guān)注性能——其實(shí)大部分人是沒(méi)必要太關(guān)心框架的性能的，因?yàn)槟汩_發(fā)的網(wǎng)站根本就是個(gè)小站，能上1萬(wàn)的IP的網(wǎng)站已經(jīng)不多了，上10萬(wàn)的更是很少很少。在沒(méi)有一定的訪問(wèn)量前談性能其實(shí)是沒(méi)有多大意義的，因?yàn)槟愕腃PU和內(nèi)存一直就閑著呢。

3. 

4. 掃下方二維碼加老師微信

5. 或是搜索老師微信號(hào)：XTUOL1988【切記備注：學(xué)習(xí)Python】

6. 領(lǐng)取Python web開發(fā)，Python爬蟲，Python數(shù)據(jù)分析，人工智能等學(xué)習(xí)教程。帶你從零基礎(chǔ)系統(tǒng)性的學(xué)好Python！

9. 

   歡迎大家點(diǎn)贊，留言，轉(zhuǎn)發(fā)，轉(zhuǎn)載，感謝大家的相伴與支持

   萬(wàn)水千山總是情，點(diǎn)個(gè)【在看】行不行

10. *聲明：本文于網(wǎng)絡(luò)整理，版權(quán)歸原作者所有，如來(lái)源信息有誤或侵犯權(quán)益，請(qǐng)聯(lián)系我們刪除或授權(quán)事