Python視頻教程之零基礎(chǔ)學(xué)習(xí)Python爬蟲掌握哪些庫和框架分析

隨著人工智能和機(jī)器學(xué)習(xí)的發(fā)展，各行各業(yè)職位正在逐漸被智能機(jī)器取替，為了應(yīng)對被取替的風(fēng)險，越來越多人開始學(xué)習(xí)編程，如今似乎要進(jìn)入全民Python編程的時代了，Python是一門簡易而實(shí)用的一種語言，Python也是最適合0基礎(chǔ)學(xué)習(xí)的編程語言。Python的語法簡單，代碼可讀性高，容易入門。

首先學(xué)習(xí)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作為一門面向?qū)ο蟮木幊陶Z言，簡潔的語法使得編寫數(shù)十行代碼即可實(shí)現(xiàn)爬蟲功能，獲取海量互聯(lián)網(wǎng)數(shù)據(jù)。Python學(xué)習(xí)網(wǎng)絡(luò)爬蟲主要分3個大的版塊：抓取，分析，存儲，那么當(dāng)我們在瀏覽器中輸入一個url后回車，后臺會發(fā)生什么？

簡單來說這段過程發(fā)生了以下四個步驟：

查找域名對應(yīng)的IP地址。

向IP對應(yīng)的服務(wù)器發(fā)送請求。

服務(wù)器響應(yīng)請求，發(fā)回網(wǎng)頁內(nèi)容。

瀏覽器解析網(wǎng)頁內(nèi)容。

那么零基礎(chǔ)學(xué)習(xí)Python培訓(xùn)課程需要掌握哪些庫呢？

通用：

urllib-網(wǎng)絡(luò)庫(stdlib)。

requests-網(wǎng)絡(luò)庫。

grab–網(wǎng)絡(luò)庫（基于pycurl）。

pycurl–網(wǎng)絡(luò)庫（綁定libcurl）。

urllib3–PythonHTTP庫，安全連接池、支持文件post、可用性高。

httplib2–網(wǎng)絡(luò)庫。

RoboBrowser–一個簡單的、極具Python風(fēng)格的Python庫，無需獨(dú)立的瀏覽器即可瀏覽網(wǎng)頁。

MechanicalSoup-一個與網(wǎng)站自動交互Python庫。

mechanize-有狀態(tài)、可編程的Web瀏覽庫。

socket–底層網(wǎng)絡(luò)接口(stdlib)。

UnirestforPython–Unirest是一套可用于多種語言的輕量級的HTTP庫。

hyper–Python的HTTP/2客戶端。

PySocks–SocksiPy更新并積極維護(hù)的版本，包括錯誤修復(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–一個強(qiáng)大的爬蟲系統(tǒng)。

cola–一個分布式爬蟲框架。

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HTTP資源，并圍繞它建立的對象。

demiurge–基于PyQuery的爬蟲微框架。

HTML/XML解析器

通用

lxml–C語言編寫高效HTML/XML處理庫。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，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/ATOMfeeds。

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

xmltodict–一個可以讓你在處理XML時感覺像在處理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對象。

清理

Bleach–清理HTML（需要html5lib）。

sanitize–為混亂的數(shù)據(jù)世界帶來清明。

文本處理

用于解析和操作簡單文本的庫。

通用

difflib–（Python標(biāo)準(zhǔn)庫）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–自動整理Unicode文本，減少碎片化。

自然語言處理

處理人類語言問題的庫。

NLTK-編寫Python程序來處理人類語言數(shù)據(jù)的最好平臺。

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

TextBlob–為深入自然語言處理任務(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。

loso–另一個中文分詞庫。

瀏覽器自動化與仿真

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

Ghost.py–對PyQt的webkit的封裝（需要PyQT）。

Spynner–對PyQt的webkit的封裝（需要PyQT）。

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

多重處理

threading–Python標(biāo)準(zhǔn)庫的線程運(yùn)行。對于I/O密集型任務(wù)很有效。對于CPU綁定的任務(wù)沒用，因?yàn)閜ythonGIL。

multiprocessing–標(biāo)準(zhǔn)的Python庫運(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)行提供了一個高層次的接口。

異步

異步網(wǎng)絡(luò)編程庫

asyncio–（在Python3.4+版本以上的Python標(biāo)準(zhǔn)庫）異步I/O，時間循環(huán)，協(xié)同程序和任務(wù)。

Twisted–基于事件驅(qū)動的網(wǎng)絡(luò)引擎框架。

Tornado–一個網(wǎng)絡(luò)框架和異步網(wǎng)絡(luò)庫。

pulsar–Python事件驅(qū)動的并發(fā)框架。

diesel–Python的基于綠色事件的I/O框架。

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

eventlet–有WSGI支持的異步框架。

Tomorrow–異步代碼的奇妙的修飾語法。

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的輕量級任務(wù)隊(duì)列管理器。

simpleq–一個簡單的，可無限擴(kuò)展，基于AmazonSQS的隊(duì)列。

python-gearman–Gearman的PythonAPI。

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)頁內(nèi)容提取

提取網(wǎng)頁內(nèi)容的庫。

HTML頁面的文本和元數(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)頁內(nèi)容檢索工具

WebSocket

用于WebSocket的庫。

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–Python2和3以及PyPy的WebSocket客戶端和服務(wù)器庫。

DNS解析

dnsyo–在全球超過1500個的DNS服務(wù)器上檢查你的DNS。

pycares–c-ares的接口。c-ares是進(jìn)行DNS請求和異步名稱決議的C語言庫。

計(jì)算機(jī)視覺

OpenCV–開源計(jì)算機(jī)視覺庫。

SimpleCV–用于照相機(jī)、圖像處理、特征提取、格式轉(zhuǎn)換的簡介，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。

web開發(fā)的一些框架

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

2.Flask
Flask是一個輕量級的Web應(yīng)用框架,使用Python編寫?；赪erkzeugWSGI工具箱和Jinja2模板引擎。使用BSD授權(quán)。

Flask也被稱為“microframework”，因?yàn)樗褂煤唵蔚暮诵?，用extension增加其他功能。Flask沒有默認(rèn)使用的數(shù)據(jù)庫、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是一個用Python語言編寫的免費(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)庫驅(qū)動的應(yīng)用，遵循LGPLv3開源協(xié)議。

Web2py提供一站式的解決方案，整個開發(fā)過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)庫的編寫的功能。其它的還有日志功能，以及一個自動化的admin接口。

4.Tornado
Tornado即是一個Webserver（對此本文不作詳述），同時又是一個類web.py的micro-framework，作為框架Tornado的思想主要來源于Web.py，大家在Web.py的網(wǎng)站首頁也可以看到Tornado的大佬BretTaylor的這么一段話（他這里說的FriendFeed用的框架跟Tornado可以看作是一個東西）：

“[web.pyinspiredthe]WebframeworkweuseatFriendFeed[and]thewebappframeworkthatshipswithAppEngine…”

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HTTP服務(wù)器的功能，可與運(yùn)行在最新版本的Python、Jython、Android上。

以上就是關(guān)于扣丁學(xué)堂Python培訓(xùn)之零基礎(chǔ)學(xué)習(xí)Python爬蟲掌握哪些庫和框架分析的詳細(xì)介紹，最后想要了解更多內(nèi)容的小伙伴可以登錄扣丁學(xué)堂官網(wǎng)咨詢?？鄱W(xué)堂是專業(yè)的Python培訓(xùn)機(jī)構(gòu)，不僅有專業(yè)的老師和與時俱進(jìn)的課程體系，還有大量的Python視頻教程供學(xué)員觀看學(xué)習(xí)，心動的小伙伴快快行動吧。扣丁學(xué)堂python學(xué)習(xí)交流群：816572891。微信號：codingbb