Python視頻教程之零基礎學習Python爬蟲掌握哪些庫和框架分析

隨著人工智能和機器學習的發展，各行各業職位正在逐漸被智能機器取替，為了應對被取替的風險，越來越多人開始學習編程，如今似乎要進入全民Python編程的時代了，Python是一門簡易而實用的一種語言，Python也是最適合0基礎學習的編程語言。Python的語法簡單，代碼可讀性高，容易入門。

首先學習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作為一門面向對象的編程語言，簡潔的語法使得編寫數十行代碼即可實現爬蟲功能，獲取海量互聯網數據。Python學習網絡爬蟲主要分3個大的版塊：抓取，分析，存儲，那么當我們在瀏覽器中輸入一個url后回車，后臺會發生什么？

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。

那么零基礎學習Python培訓課程需要掌握哪些庫呢？

通用：

urllib-網絡庫(stdlib)。

requests-網絡庫。

grab–網絡庫（基于pycurl）。

pycurl–網絡庫（綁定libcurl）。

urllib3–PythonHTTP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、極具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)。

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。

網絡爬蟲框架

功能齊全的爬蟲

grab–網絡爬蟲框架（基于pycurl/multicur）。

scrapy–網絡爬蟲框架（基于twisted），不支持Python3。

pyspider–一個強大的爬蟲系統。

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轉換為PDF。

untangle–輕松實現將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清明。

文本處理

用于解析和操作簡單文本的庫。

通用

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最好平臺。

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（seleniumweb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pythonGIL。

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Python3.4+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，可無限擴展，基于AmazonSQS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–Python2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。

web開發的一些框架

1.Django
Django是一個開源的Web應用框架，由Python寫成，支持許多數據庫引擎，可以讓Web開發變得迅速和可擴展，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應用框架,使用Python編寫。基于WerkzeugWSGI工具箱和Jinja2模板引擎。使用BSD授權。

Flask也被稱為“microframework”，因為它使用簡單的核心，用extension增加其他功能。Flask沒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、各種開放式身份驗證技術。

3.Web2py
Web2py是一個用Python語言編寫的免費的開源Web框架，旨在敏捷快速的開發Web應用，具有快速、可擴展、安全以及可移植的數據庫驅動的應用，遵循LGPLv3開源協議。

Web2py提供一站式的解決方案，整個開發過程都可以在瀏覽器上進行，提供了Web版的在線開發，HTML模版編寫，靜態文件的上傳，數據庫的編寫的功能。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…”

因為有這層關系，后面不再單獨討論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HTTP服務器的功能，可與運行在最新版本的Python、Jython、Android上。

以上就是關于扣丁學堂Python培訓之零基礎學習Python爬蟲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堂官網咨詢。扣丁學堂是專業的Python培訓機構，不僅有專業的老師和與時俱進的課程體系，還有大量的Python視頻教程供學員觀看學習，心動的小伙伴快快行動吧。扣丁學堂python學習交流群：816572891。微信號：codingbb