Python視頻教程之零基礎學(xué)習Python爬蟲(chóng)掌握哪些庫和框架分析

隨著(zhù)人工智能和機器學(xué)習的發(fā)展，各行各業(yè)職位正在逐漸被智能機器取替，為了應對被取替的風(fēng)險，越來(lái)越多人開(kāi)始學(xué)習編程，如今似乎要進(jìn)入全民Python編程的時(shí)代了，Python是一門(mén)簡(jiǎn)易而實(shí)用的一種語(yǔ)言，Python也是最適合0基礎學(xué)習的編程語(yǔ)言。Python的語(yǔ)法簡(jiǎn)單，代碼可讀性高，容易入門(mén)。

首先學(xué)習Python想必大家都是從爬蟲(chóng)開(kāi)始的吧，畢竟網(wǎng)上類(lèi)似的資源很豐富，開(kāi)源項目也非常多。Python作為一門(mén)面向對象的編程語(yǔ)言，簡(jiǎn)潔的語(yǔ)法使得編寫(xiě)數十行代碼即可實(shí)現爬蟲(chóng)功能，獲取海量互聯(lián)網(wǎng)數據。Python學(xué)習網(wǎng)絡(luò )爬蟲(chóng)主要分3個(gè)大的版塊：抓取，分析，存儲，那么當我們在瀏覽器中輸入一個(gè)url后回車(chē)，后臺會(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：

查找域名對應的IP地址。

向IP對應的服務(wù)器發(fā)送請求。

服務(wù)器響應請求，發(fā)回網(wǎng)頁(yè)內容。

瀏覽器解析網(wǎng)頁(yè)內容。

那么零基礎學(xué)習Python培訓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(gè)簡(jiǎn)單的、極具Python風(fēng)格的Python庫，無(wú)需獨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。

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(yǔ)言的輕量級的HTTP庫。

hyper–Python的HTTP/2客戶(hù)端。

PySocks–SocksiPy更新并積極維護的版本，包括錯誤修復和一些其他的特征。作為socket模塊的直接替換。

網(wǎng)絡(luò )爬蟲(chóng)框架

功能齊全的爬蟲(chóng)

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

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

pyspider–一個(gè)強大的爬蟲(chóng)系統。

cola–一個(gè)分布式爬蟲(chóng)框架。

其他

portia–基于Scrapy的可視化爬蟲(chóng)。

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

demiurge–基于PyQuery的爬蟲(chóng)微框架。

HTML/XML解析器

通用

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

cssselect–解析DOM樹(shù)和CSS選擇器。

pyquery–解析DOM樹(shù)和jQuery選擇器。

BeautifulSoup–低效HTML/XML處理庫，純Python實(shí)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/ATOMfeeds。

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

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轉換為PDF。

untangle–輕松實(shí)現將XML文件轉換為Python對象。

清理

Bleach–清理HTML（需要html5lib）。

sanitize–為混亂的數據世界帶來(lái)清明。

文本處理

用于解析和操作簡(jiǎn)單文本的庫。

通用

difflib–（Python標準庫）幫助進(jìn)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(dòng)整理Unicode文本，減少碎片化。

自然語(yǔ)言處理

處理人類(lèi)語(yǔ)言問(wèn)題的庫。

NLTK-編寫(xiě)Python程序來(lái)處理人類(lèi)語(yǔ)言數據的最好平臺。

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

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。

loso–另一個(gè)中文分詞庫。

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驅動(dòng)，Django客戶(hù)端，Zope）。

多重處理

threading–Python標準庫的線(xiàn)程運行。對于I/O密集型任務(wù)很有效。對于CPU綁定的任務(wù)沒(méi)用，因為pythonGIL。

multiprocessing–標準的Python庫運行多進(jìn)程。

celery–基于分布式消息傳遞的異步任務(wù)隊列/作業(yè)隊列。

concurrent-futures–concurrent-futures模塊為調用異步執行提供了一個(gè)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標準庫）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。

pulsar–Python事件驅動(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。

eventlet–有WSGI支持的異步框架。

Tomorrow–異步代碼的奇妙的修飾語(yǔ)法。

隊列

celery–基于分布式消息傳遞的異步任務(wù)隊列/作業(yè)隊列。

huey–小型多線(xiàn)程任務(wù)隊列。

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

RQ–基于Redis的輕量級任務(wù)隊列管理器。

simpleq–一個(gè)簡(jiǎn)單的，可無(wú)限擴展，基于A(yíng)mazonSQS的隊列。

python-gearman–Gearman的PythonAPI。

云計算

picloud–云端執行Python代碼。

dominoup.com–云端執行R，Python和matlab代碼

網(wǎng)頁(yè)內容提取

提取網(wǎng)頁(yè)內容的庫。

HTML頁(yè)面的文本和元數據

newspaper–用Python進(jìn)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(wǎng)頁(yè)內容檢索工具

WebSocket

用于WebSocket的庫。

Crossbar–開(kāi)源的應用消息傳遞路由器（Python實(shí)現的用于A(yíng)utobahn的WebSocket和WAMP）。

AutobahnPython–提供了WebSocket協(xié)議和WAMP協(xié)議的Python實(shí)現并且開(kāi)源。

WebSocket-for-Python–Python2和3以及PyPy的WebSocket客戶(hù)端和服務(wù)器庫。

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請求和異步名稱(chēng)決議的C語(yǔ)言庫。

計算機視覺(jué)

OpenCV–開(kāi)源計算機視覺(jué)庫。

SimpleCV–用于照相機、圖像處理、特征提取、格式轉換的簡(jiǎn)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(shí)現），完全基于numpy的數組作為它的數據類(lèi)型。

web開(kāi)發(fā)的一些框架

1.Django
Django是一個(gè)開(kāi)源的Web應用框架，由Python寫(xiě)成，支持許多數據庫引擎，可以讓W(xué)eb開(kāi)發(fā)變得迅速和可擴展，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)輕量級的Web應用框架,使用Python編寫(xiě)?；赪erkzeugWSGI工具箱和Jinja2模板引擎。使用BSD授權。

Flask也被稱(chēng)為“microframework”，因為它使用簡(jiǎn)單的核心，用extension增加其他功能。Flask沒(méi)有默認使用的數據庫、窗體驗證工具。然而，Flask保留了擴增的彈性，可以用Flask-extension加入這些功能：ORM、窗體驗證工具、文件上傳、各種開(kāi)放式身份驗證技術(shù)。

3.Web2py
Web2py是一個(gè)用Python語(yǔ)言編寫(xiě)的免費的開(kāi)源Web框架，旨在敏捷快速的開(kāi)發(fā)Web應用，具有快速、可擴展、安全以及可移植的數據庫驅動(dòng)的應用，遵循LGPLv3開(kāi)源協(xié)議。

Web2py提供一站式的解決方案，整個(gè)開(kāi)發(fā)過(guò)程都可以在瀏覽器上進(jìn)行，提供了Web版的在線(xiàn)開(kāi)發(fā)，HTML模版編寫(xiě)，靜態(tài)文件的上傳，數據庫的編寫(xiě)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)Webserver（對此本文不作詳述），同時(shí)又是一個(gè)類(lèi)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BretTaylor的這么一段話(huà)（他這里說(shuō)的FriendFeed用的框架跟Tornado可以看作是一個(gè)東西）：

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

因為有這層關(guān)系，后面不再單獨討論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，其功能包括內置的分析功能、靈活的插件系統以及一次運行多個(gè)HTTP服務(wù)器的功能，可與運行在最新版本的Python、Jython、Android上。

以上就是關(guān)于扣丁學(xué)堂Python培訓之零基礎學(xué)習Python爬蟲(chóng)掌握哪些庫和框架分析的詳細介紹，最后想要了解更多內容的小伙伴可以登錄扣丁學(xué)堂官網(wǎng)咨詢(xún)?？鄱W(xué)堂是專(zhuān)業(yè)的Python培訓機構，不僅有專(zhuān)業(yè)的老師和與時(shí)俱進(jìn)的課程體系，還有大量的Python視頻教程供學(xué)員觀(guān)看學(xué)習，心動(dòng)的小伙伴快快行動(dòng)吧?？鄱W(xué)堂python學(xué)習交流群：816572891。微信號：codingbb