尋夢新聞LINE@每日推播熱門推薦文章,趣聞不漏接❤️
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。