学Python,想必大家都是从爬虫开始的吧。毕竟网上类似的资源很丰富,开源项目也非常多。
Python学习网络爬虫主要分3个大的版块:抓取,分析,存储
当我们在浏览器中输入一个url后回车,后台会发生什么?
简单来说这段过程发生了以下四个步骤:
-
查找域名对应的IP地址。
-
向IP对应的服务器发送请求。
-
服务器响应请求,发回网页内容。
-
浏览器解析网页内容。
那么学习爬虫需要掌握哪些库呢
通用:
-
urllib -网络库(stdlib)。
-
requests -网络库。
-
grab – 网络库(基于pycurl)。
-
pycurl – 网络库(绑定libcurl)。
-
urllib3 – Python HTTP库,安全连接池、支持文件post、可用性高。
-
httplib2 – 网络库。
-
RoboBrowser – 一个简单的、极具Python风格的Python库,无需独立的浏览器即可浏览网页。
-
MechanicalSoup -一个与网站自动交互Python库。
-
mechanize -有状态、可编程的Web浏览库。
-
socket – 底层网络接口(stdlib)。
-
Unirest for Python – Unirest是一套可用于多种语言的轻量级的HTTP库。
-
hyper – Python的HTTP/2客户端。
-
PySocks – SocksiPy更新并积极维护的版本,包括错误修复和一些其他的特征。作为socket模块的直接替换。
网络爬虫框架
-
功能齐全的爬虫
-
grab – 网络爬虫框架(基于pycurl/multicur)。
-
scrapy – 网络爬虫框架(基于twisted),不支持Python3。
-
pyspider – 一个强大的爬虫系统。
-
cola – 一个分布式爬虫框架。
-
其他
-
portia – 基于Scrapy的可视化爬虫。
-
restkit – Python的HTTP资源工具包。它可以让你轻松地访问HTTP资源,并围绕它建立的对象。
-
demiurge – 基于PyQuery的爬虫微框架。
HTML/XML解析器
-
通用
-
lxml – C语言编写高效HTML/ XML处理库。支持XPath。
-
cssselect – 解析DOM树和CSS选择器。
-
pyquery – 解析DOM树和jQuery选择器。
-
BeautifulSoup – 低效HTML/ XML处理库,纯Python实现。
-
html5lib – 根据WHATWG规范生成HTML/ XML文档的DOM。该规范被用在现在所有的浏览器上。
-
feedparser – 解析RSS/ATOM feeds。
-
MarkupSafe – 为XML/HTML/XHTML提供了安全转义的字符串。
-
xmltodict – 一个可以让你在处理XML时感觉像在处理JSON一样的Python模块。
-
xhtml2pdf – 将HTML/CSS转换为PDF。
-
untangle – 轻松实现将XML文件转换为Python对象。
-
清理
-
Bleach – 清理HTML(需要html5lib)。
-
sanitize – 为混乱的数据世界带来清明。
文本处理
用于解析和操作简单文本的库。
-
通用
-
difflib – (Python标准库)帮助进行差异化比较。
-
Levenshtein – 快速计算Levenshtein距离和字符串相似度。
-
fuzzywuzzy – 模糊字符串匹配。
-
esmre – 正则表达式加速器。
-
ftfy – 自动整理Unicode文本,减少碎片化。
自然语言处理
处理人类语言问题的库。
-
NLTK -编写Python程序来处理人类语言数据的最好平台。
-
Pattern – Python的网络挖掘模块。他有自然语言处理工具,机器学习以及其它。
-
TextBlob – 为深入自然语言处理任务提供了一致的API。是基于NLTK以及Pattern的巨人之肩上发展的。
-
jieba – 中文分词工具。
-
SnowNLP – 中文文本处理库。
-
loso – 另一个中文分词库。
浏览器自动化与仿真
-
selenium – 自动化真正的浏览器(Chrome浏览器,火狐浏览器,Opera浏览器,IE浏览器)。
-
Ghost.py – 对PyQt的webkit的封装(需要PyQT)。
-
Spynner – 对PyQt的webkit的封装(需要PyQT)。
-
Splinter – 通用API浏览器模拟器(selenium web驱动,Django客户端,Zope)。
多重处理
-
threading – Python标准库的线程运行。对于I/O密集型任务很有效。对于CPU绑定的任务没用,因为python GIL。
-
multiprocessing – 标准的Python库运行多进程。
-
celery – 基于分布式消息传递的异步任务队列/作业队列。
-
concurrent-futures – concurrent-futures 模块为调用异步执行提供了一个高层次的接口。
异步
异步网络编程库
-
asyncio – (在Python 3.4 +版本以上的 Python标准库)异步I/O,时间循环,协同程序和任务。
-
Twisted – 基于事件驱动的网络引擎框架。
-
Tornado – 一个网络框架和异步网络库。
-
pulsar – Python事件驱动的并发框架。
-
diesel – Python的基于绿色事件的I/O框架。
-
gevent – 一个使用greenlet 的基于协程的Python网络库。
-
eventlet – 有WSGI支持的异步框架。
-
Tomorrow – 异步代码的奇妙的修饰语法。
队列
-
celery – 基于分布式消息传递的异步任务队列/作业队列。
-
huey – 小型多线程任务队列。
-
mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任务队列。
-
RQ – 基于Redis的轻量级任务队列管理器。
-
simpleq – 一个简单的,可无限扩展,基于Amazon SQS的队列。
-
python-gearman – Gearman的Python API。
云计算
-
picloud – 云端执行Python代码。
-
dominoup.com – 云端执行R,Python和matlab代码
网页内容提取
提取网页内容的库。
-
HTML页面的文本和元数据
-
newspaper – 用Python进行新闻提取、文章提取和内容策展。
-
html2text – 将HTML转为Markdown格式文本。
-
python-goose – HTML内容/文章提取器。
-
lassie – 人性化的网页内容检索工具
WebSocket
用于WebSocket的库。
-
Crossbar – 开源的应用消息传递路由器(Python实现的用于Autobahn的WebSocket和WAMP)。
-
AutobahnPython – 提供了WebSocket协议和WAMP协议的Python实现并且开源。
-
WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客户端和服务器库。
DNS解析
-
dnsyo – 在全球超过1500个的DNS服务器上检查你的DNS。
-
pycares – c-ares的接口。c-ares是进行DNS请求和异步名称决议的C语言库。
计算机视觉
-
OpenCV – 开源计算机视觉库。
-
SimpleCV – 用于照相机、图像处理、特征提取、格式转换的简介,可读性强的接口(基于OpenCV)。
-
mahotas – 快速计算机图像处理算法(完全使用 C++ 实现),完全基于 numpy 的数组作为它的数据类型。
代理服务器
-
shadowsocks – 一个快速隧道代理,可帮你穿透防火墙(支持TCP和UDP,TFO,多用户和平滑重启,目的IP黑名单)。
-
tproxy – tproxy是一个简单的TCP路由代理(第7层),基于Gevent,用Python进行配置。
最后免费分享给大家一份Python全台学习资料,包含视频、源码。课件,希望能帮到那些不满现状,想提升自己却又没有方向的朋友,也可以加我微信一起来学习交流。
① Python所有方向的学习路线图
,清楚各个方向要学什么东西
② 100多节Python课程视频
,涵盖必备基础、爬虫和数据分析
③ 100多个Python实战案例
,学习不再是只会理论
④ 华为出品独家Python漫画教程
,手机也能学习
⑤ 历年互联网企业Python面试真题
,复习时非常方便
上述这份完整版的Python全套学习资料已经上传CSDN官方,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、清华编程大佬出品《漫画看学Python》
用通俗易懂的漫画,来教你学习Python,让你更容易记住,并且不会枯燥乏味。
六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
这份完整版的Python全套学习资料已经上传至CSDN官方,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费获取【保证100%免费
】。
![](https://i-blog.csdnimg.cn/blog_migrate/8175218fdf632831c918ffabc486657f.png)