前端時間閑的無聊， 對Python興趣徒增。學習這事兒吧，光看沒用，還是要是實戰，順手搜了一些寫的不錯的開源庫，也看了些博客。總結一些，分享給大家。

[[230152]]

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

Python學習網絡爬蟲主要分3個大的版塊：抓取，分析，存儲

當我們在瀏覽器中輸入一個url后回車，后臺會發生什么？比如說你輸入http://www.tuotiao.com，你就會看到頭條站首頁。

簡單來說這段過程發生了以下四個步驟：

• 查找域名對應的IP地址。

• 向IP對應的服務器發送請求。

• 服務器響應請求，發回網頁內容。

• 瀏覽器解析網頁內容。

網絡爬蟲要做的，簡單來說，就是實現瀏覽器的功能。通過指定url，直接返回給用戶所需要的數據，而不需要一步步人工去操縱瀏覽器獲取。

抓取這一步，你要明確要得到的內容是什么？是HTML源碼，還是Json格式的字符串等。將得到內容逐一解析就好。具體的如何解析，以及如何處理數據，文章后面提供了非常詳細的且功能強大的開源庫列表。

當然了，爬去別人家的數據，很有可能會遭遇反爬蟲機制的，怎么辦？使用代理。

適用情況：限制IP地址情況，也可解決由于“頻繁點擊”而需要輸入驗證碼登陸的情況。

這種情況***的辦法就是維護一個代理IP池，網上有很多免費的代理IP，良莠不齊，可以通過篩選找到能用的。

對于“頻繁點擊”的情況，我們還可以通過限制爬蟲訪問網站的頻率來避免被網站禁掉。

有些網站會檢查你是不是真的瀏覽器訪問，還是機器自動訪問的。這種情況，加上User-Agent，表明你是瀏覽器訪問即可。有時還會檢查是否帶Referer信息還會檢查你的Referer是否合法，一般再加上Referer。也就是偽裝成瀏覽器，或者反“反盜鏈”。

對于網站有驗證碼的情況，我們有三種辦法：

• 使用代理，更新IP。

• 使用cookie登陸。

• 驗證碼識別。

接下來我們重點聊聊驗證碼識別。

可以利用開源的Tesseract-OCR系統進行驗證碼圖片的下載及識別，將識別的字符傳到爬蟲系統進行模擬登陸。當然也可以將驗證碼圖片上傳到打碼平臺上進行識別。如果不成功，可以再次更新驗證碼識別，直到成功為止。

好了，爬蟲就簡單聊到這兒，有興趣的朋友可以去網上搜索更詳細的內容。

文末附上本文重點：實用Python庫大全。

網絡

• urllib -網絡庫(stdlib)。

• requests -網絡庫。

• grab – 網絡庫（基于pycurl）。

• pycurl – 網絡庫（綁定libcurl）。

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

• httplib2 – 網絡庫。

• RoboBrowser – 一個簡單的、***Python風格的Python庫，無需獨立的瀏覽器即可瀏覽網頁。

• MechanicalSoup -一個與網站自動交互Python庫。

• mechanize -有狀態、可編程的Web瀏覽庫。

• socket – 底層網絡接口(stdlib)。

網絡爬蟲框架

• grab – 網絡爬蟲框架（基于pycurl/multicur）。

• scrapy – 網絡爬蟲框架。

• pyspider – 一個強大的爬蟲系統。

• cola – 一個分布式爬蟲框架。

HTML/XML解析器

• 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實現。

• html5lib – 根據WHATWG規范生成HTML/ XML文檔的DOM。該規范被用在現在所有的瀏覽器上。

• feedparser – 解析RSS/ATOM feeds。

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

文本處理

用于解析和操作簡單文本的庫。

• difflib – （Python標準庫）幫助進行差異化比較。

• Levenshtein – 快速計算Levenshtein距離和字符串相似度。

• fuzzywuzzy – 模糊字符串匹配。

• esmre – 正則表達式加速器。

• 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據的***平臺。

• Pattern – Python的網絡挖掘模塊。他有自然語言處理工具，機器學習以及其它。

• TextBlob – 為深入自然語言處理任務提供了一致的API。是基于NLTK以及Pattern的巨人之肩上發展的。

• 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（selenium web驅動，Django客戶端，Zope）。

多重處理

• threading – Python標準庫的線程運行。對于I/O密集型任務很有效。對于CPU綁定的任務沒用，因為python GIL。

• multiprocessing – 標準的Python庫運行多進程。

• celery – 基于分布式消息傳遞的異步任務隊列/作業隊列。

• concurrent-futures – concurrent-futures 模塊為調用異步執行提供了一個高層次的接口。

異步

異步網絡編程庫

• asyncio – （在Python 3.4 +版本以上的 Python標準庫）異步I/O，時間循環，協同程序和任務。

• Twisted – 基于事件驅動的網絡引擎框架。

• Tornado – 一個網絡框架和異步網絡庫。

• pulsar – Python事件驅動的并發框架。

• diesel – Python的基于綠色事件的I/O框架。

• gevent – 一個使用greenlet 的基于協程的Python網絡庫。

• eventlet – 有WSGI支持的異步框架。

• Tomorrow – 異步代碼的奇妙的修飾語法。

隊列

• celery – 基于分布式消息傳遞的異步任務隊列/作業隊列。

• huey – 小型多線程任務隊列。

• mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任務隊列。

• RQ – 基于Redis的輕量級任務隊列管理器。

• simpleq – 一個簡單的，可***擴展，基于Amazon SQS的隊列。

• python-gearman – Gearman的Python API。

云計算

• picloud – 云端執行Python代碼。

• dominoup.com – 云端執行R，Python和matlab代碼

網頁內容提取

提取網頁內容的庫。

• HTML頁面的文本和元數據

• newspaper – 用Python進行新聞提取、文章提取和內容策展。

• html2text – 將HTML轉為Markdown格式文本。

• python-goose – HTML內容/文章提取器。

• lassie – 人性化的網頁內容檢索工具

WebSocket

用于WebSocket的庫。

• Crossbar – 開源的應用消息傳遞路由器（Python實現的用于Autobahn的WebSocket和WAMP）。

• AutobahnPython – 提供了WebSocket協議和WAMP協議的Python實現并且開源。

• WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和服務器庫。

DNS解析

• dnsyo – 在全球超過1500個的DNS服務器上檢查你的DNS。

• pycares – c-ares的接口。c-ares是進行DNS請求和異步名稱決議的C語言庫。

計算機視覺

• OpenCV – 開源計算機視覺庫。

• SimpleCV – 用于照相機、圖像處理、特征提取、格式轉換的簡介，可讀性強的接口（基于OpenCV）。

• mahotas – 快速計算機圖像處理算法（完全使用 C++ 實現），完全基于 numpy 的數組作為它的數據類型。

代理服務器

• shadowsocks – 一個快速隧道代理，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是一個簡單的TCP路由代理（第7層），基于Gevent，用Python進行配置。

另：

Python有很多Web開發框架,大而全的開發框架非Django莫屬,用得也最廣泛.有很多公司有使用Django框架,如某狐,某訊等。以簡潔著稱的web.py,flask都非常易于上手,以異步高性能著稱的tornado,源代碼寫得美如畫,知乎,Quora都在用。

***祝大家學的愉快，學的神速。