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學習網路爬蟲主要分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，後台會發生什麼？

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。

那麼學習爬蟲需要掌握哪些庫呢？

通用：

• urllib -網路庫(stdlib)。
• requests -網路庫。
• grab – 網路庫（基於pycurl）。
• pycurl – 網路庫（綁定libcurl）。
• urllib3 – Python HTTP庫，安全連接池、支持文件post、可用性高。
• httplib2 – 網路庫。
• 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 – 底層網路接口(stdlib)。
• Unirest for Python – Unirest是一套可用於多種語言的輕量級的HTTP庫。
• hyper – Python的HTTP/2客戶端。
• 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徵。作為socket模塊的直接替換。

網路爬蟲框架

• 功能齊全的爬蟲
• grab – 網路爬蟲框架（基於pycurl/multicur）。
• scrapy – 網路爬蟲框架（基於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 – 基於Scrapy的可視化爬蟲。
• restkit – Python的HTTP資源工具包。它可以讓你輕鬆地訪問HTTP資源，並圍繞它建立的對象。
• demiurge – 基於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做到。
• 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。
• feedparser – 解析RSS/ATOM feeds。
• 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 – 輕鬆做到將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

用於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台。
• Pattern – Python的網路挖掘模塊。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

異步網路編程庫

• 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 – 基於事件驅動的網路引擎框架。
• Tornado – 一個網路框架和異步網路庫。
• 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網路庫。
• 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做到的用於Autobahn的WebSocket和WAMP）。
• AutobahnPython – 提供了WebSocket協議和WAMP協議的Python做到並且開源。
• 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、特徵提取、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++ 做到），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，如果是新手工程師，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。其它的還有日志功能，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的這麼一段話（他這里說的FriendFeed用的框架跟Tornado可以看作是一個東西）：

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

因為有這層關係，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。

關於框架的選擇錯誤

在框架的選擇問題上，許多人很容易就陷入了下面兩個錯誤中而不自知：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。

過分關注性能——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和內存一直就閒著呢。