Python學習爬蟲掌握的庫資料大全和框架的選擇的分析

學Python，想必大家都是從爬蟲開始的吧。畢竟網(wǎng)上類似的資源很豐富，開源項目也非常多。

Python學習網(wǎng)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后回車，后臺會發(fā)生什么？

簡單來說這段過程發(fā)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(fā)送請求。

服務器響應請求，發(fā)回網(wǎng)頁內(nèi)容。

瀏覽器解析網(wǎng)頁內(nèi)容。

那么學習爬蟲需要掌握哪些庫呢？

通用：

urllib -網(wǎng)絡庫(stdlib)。

requests -網(wǎng)絡庫。

grab – 網(wǎng)絡庫（基于pycurl）。

pycurl – 網(wǎng)絡庫（綁定libcurl）。

urllib3 – Python HTTP庫，安全連接池、支持文件post、可用性高。

httplib2 – 網(wǎng)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(wǎng)頁。

MechanicalSoup -一個與網(wǎng)站自動交互Python庫。

mechanize -有狀態(tài)、可編程的Web瀏覽庫。

socket – 底層網(wǎng)絡接口(stdlib)。

Unirest for Python – 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(wǎng)絡爬蟲框架

功能齊全的爬蟲

grab – 網(wǎng)絡爬蟲框架（基于pycurl/multicur）。

scrapy – 網(wǎng)絡爬蟲框架（基于twisted），不支持Python3。

pyspider – 一個強大的爬蟲系統(tǒng)。

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(xiàn)。

html5lib – 根據(jù)WHATWG規(guī)范生成HTML/ XML文檔的DOM。該規(guī)范被用在現(xiàn)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(zhuǎn)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(zhuǎn)換為PDF。

untangle – 輕松實現(xiàn)將XML文件轉(zhuǎn)換為Python對象。

清理

Bleach – 清理HTML（需要html5lib）。

sanitize – 為混亂的數(shù)據(jù)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(shù)據(jù)的最好平臺。

Pattern – Python的網(wǎng)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(fā)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(qū)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python GIL。

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(yè)隊列。

concurrent-futures – concurrent-futures 模塊為調(diào)用異步執(zhí)行提供了一個高層次的接口。

異步

異步網(wǎng)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(huán)，協(xié)同程序和任務。

Twisted – 基于事件驅(qū)動的網(wǎng)絡引擎框架。

Tornado – 一個網(wǎng)絡框架和異步網(wǎng)絡庫。

pulsar – Python事件驅(qū)動的并發(fā)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(xié)程的Python網(wǎng)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(yè)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Amazon SQS的隊列。

python-gearman – Gearman的Python API。

云計算

picloud – 云端執(zhí)行Python代碼。

dominoup.com – 云端執(zhí)行R，Python和matlab代碼

網(wǎng)頁內(nèi)容提取

提取網(wǎng)頁內(nèi)容的庫。

HTML頁面的文本和元數(shù)據(jù)

newspaper – 用Python進行新聞提取、文章提取和內(nèi)容策展。

html2text – 將HTML轉(zhuǎn)為Markdown格式文本。

python-goose – HTML內(nèi)容/文章提取器。

lassie – 人性化的網(wǎng)頁內(nèi)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(xiàn)的用于Autobahn的WebSocket和WAMP）。

AutobahnPython – 提供了WebSocket協(xié)議和WAMP協(xié)議的Python實現(xiàn)并且開源。

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 – 用于照相機、圖像處理、特征提取、格式轉(zhuǎn)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(xiàn)），完全基于 numpy 的數(shù)組作為它的數(shù)據(jù)類型。

web開發(fā)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(shù)據(jù)庫引擎，可以讓Web開發(fā)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?；?WerkzeugWSGI工具箱和 Jinja2模板引擎。使用 BSD 授權(quán)。

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(shù)據(jù)庫、窗體驗證工具。然而，F(xiàn)lask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(shù)。

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(fā)Web應用，具有快速、可擴展、安全以及可移植的數(shù)據(jù)庫驅(qū)動的應用，遵循LGPLv3開源協(xié)議。

Web2py提供一站式的解決方案，整個開發(fā)過程都可以在瀏覽器上進行，提供了Web版的在線開發(fā)，HTML模版編寫，靜態(tài)文件的上傳，數(shù)據(jù)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的思想主要來源于Web.py，大家在Web.py的網(wǎng)站首頁也可以看到Tornado的大佬Bret Taylor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.py inspired the] Web framework we use at FriendFeed [and] the webapp framework that ships with App Engine…”

因為有這層關(guān)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(nèi)置的分析功能、靈活的插件系統(tǒng)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(guān)于框架的選擇誤區(qū)

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(qū)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、省的干完活就是好東西。

過分關(guān)注性能——其實大部分人是沒必要太關(guān)心框架的性能的，因為你開發(fā)的網(wǎng)站根本就是個小站，能上1萬的IP的網(wǎng)站已經(jīng)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(nèi)存一直就閑著呢。