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後回車，後臺會發生什麽？

簡單來說這段過程發生了以下四個步驟：

1.查找域名對應的IP地址。

2.向IP對應的服務器發送請求。

3.服務器響應請求，發回網頁內容。

4.瀏覽器解析網頁內容。

那麽學習爬蟲需要掌握哪些庫呢？

通用：

1. urllib -網絡庫(stdlib)。

2. requests -網絡庫。

3. grab – 網絡庫（基於pycurl）。

4. pycurl – 網絡庫（綁定libcurl）。

5.

6. httplib2 – 網絡庫。

7. 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。

8. MechanicalSoup -一個與網站自動交互Python庫。

9. mechanize -有狀態、可編程的Web瀏覽庫。

10. socket – 底層網絡接口(stdlib)。

11. Unirest for Python – Unirest是一套可用於多種語言的輕量級的HTTP庫。

12. hyper – Python的HTTP/2客戶端。

13. PySocks – SocksiPy更新並積極維護的版本，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

1. 功能齊全的爬蟲

o grab – 網絡爬蟲框架（基於pycurl/multicur）。

o scrapy – 網絡爬蟲框架（基於twisted），不支持Python3。

o pyspider – 一個強大的爬蟲系統。

o cola – 一個分布式爬蟲框架。

2. 其他

o portia – 基於Scrapy的可視化爬蟲。

o restkit – Python的HTTP資源工具包。它可以讓你輕松地訪問HTTP資源，並圍繞它建立的對象。

o demiurge – 基於PyQuery的爬蟲微框架。

HTML/XML解析器

1. 通用

o lxml – C語言編寫高效HTML/ XML處理庫。支持XPath。

o cssselect – 解析DOM樹和CSS選擇器。

o pyquery – 解析DOM樹和jQuery選擇器。

o BeautifulSoup – 低效HTML/ XML處理庫，純Python實現。

o html5lib – 根據WHATWG規範生成HTML/ XML文檔的DOM。該規範被用在現在所有的瀏覽器上。

o feedparser – 解析RSS/ATOM feeds。

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

o 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。

o xhtml2pdf – 將HTML/CSS轉換為PDF。

o untangle – 輕松實現將XML文件轉換為Python對象。

2. 清理

o Bleach – 清理HTML（需要html5lib）。

o sanitize – 為混亂的數據世界帶來清明。

文本處理

用於解析和操作簡單文本的庫。

1. 通用

2. difflib – （Python標準庫）幫助進行差異化比較。

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

4. fuzzywuzzy – 模糊字符串匹配。

5. esmre – 正則表達式加速器。

6. 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。是基於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。對於I/O密集型任務很有效。對於CPU綁定的任務沒用，因為python GIL。

§ multiprocessing – 標準的Python庫運行多進程。

§ celery – 基於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 – 基於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事件驅動的並發框架。

§ diesel – Python的基於綠色事件的I/O框架。

§ gevent – 一個使用greenlet 的基於協程的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 – 基於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 – 基於Redis的輕量級任務隊列管理器。

§ simpleq – 一個簡單的，可無限擴展，基於Amazon SQS的隊列。

§ python-gearman – Gearman的Python API。

雲計算

§ picloud – 雲端執行Python代碼。

§ dominoup.com – 雲端執行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

用於WebSocket的庫。

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

§ AutobahnPython – 提供了WebSocket協議和WAMP協議的Python實現並且開源。

§ 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 – 用於照相機、圖像處理、特征提取、格式轉換的簡介，可讀性強的接口（基於OpenCV）。

§ mahotas – 快速計算機圖像處理算法（完全使用 C++ 實現），完全基於 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，並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。基於 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。其它的還有日誌功能，以及一個自動化的admin接口。

4.Tornado

Tornado即是一個Web server（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的思想主要來源於Web.py，大家在Web.py的網站首頁也可以看到Tornado的大佬Bret Taylor的這麽一段話（他這裏說的FriendFeed用的框架跟Tornado可以看作是一個東西）：

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

因為有這層關系，後面不再單獨討論Tornado。

5.CherryPy

CherryPy是一種用於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。

關於框架的選擇誤區

在框架的選擇問題上，許多人很容易就陷入了下面兩個誤區中而不自知：哪個框架最好——世上沒有最好的框架，只有最適合你自己、最適合你的團隊的框架。編程語言選擇也是一個道理，你的團隊Python最熟就用Python好了，如果最熟悉的是Ruby那就用Ruby好了，編程語言、框架都只是工具，能多、快、好、省的幹完活就是好東西。

過分關註性能——其實大部分人是沒必要太關心框架的性能的，因為你開發的網站根本就是個小站，能上1萬的IP的網站已經不多了，上10萬的更是很少很少。在沒有一定的訪問量前談性能其實是沒有多大意義的，因為你的CPU和內存一直就閑著呢。

需要獲取免費學習資料及馬哥教育全部公開課視頻錄播、資料、文檔的同學，請添加QQ：595589172，添加後即可免費獲取~祝同學們學習有成！

Python庫大全，建議收藏留用！