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，開源專案也非常多。

Python學習網路爬蟲主要分3個大的版塊：抓取，分析，儲存

當我們在瀏覽器中輸入一個url後回車，後臺會發生什麼？

簡單來說這段過程發生了以下四個步驟：

查詢域名對應的IP地址。向IP對應的伺服器傳送請求。伺服器響應請求，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（繫結libcurl）。urllib3 – Python HTTP庫，安全連線池、支援檔案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 -一個與網站自動互動Python庫。mechanize -有狀態、可程式設計的Web瀏覽庫。socket – 底層網路介面(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模組的直接替換。

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），不支援Python3。pyspider – 一個強大的爬蟲系統。cola – 一個分散式爬蟲框架。其他portia – 基於Scrapy的視覺化爬蟲。restkit – Python的HTTP資源工具包。它可以讓你輕鬆地訪問HTTP資源，並圍繞它建立的物件。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。支援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。html5lib – 根據WHATWG規範生成HTML/ XML文件的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模組。xhtml2pdf – 將HTML/CSS轉換為PDF。untangle – 輕鬆實現將XML檔案轉換為Python物件。清理Bleach – 清理HTML（需要html5lib）。sanitize – 為混亂的資料世界帶來清明。文字處理

用於解析和操作簡單文字的庫。

通用difflib – （Python標準庫）幫助進行差異化比較。Levenshtein – 快速計算Levenshtein距離和字串相似度。fuzzywuzzy – 模糊字串匹配。esmre – 正則表示式加速器。ftfy – 自動整理Unicode文字，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程式來處理人類語言資料的最好平臺。Pattern – Python的網路挖掘模組。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 – 中文文字處理庫。loso – 另一箇中文分詞庫。

瀏覽器自動化與模擬

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標準庫的執行緒執行。對於I/O密集型任務很有效。對於CPU繫結的任務沒用，因為python GIL。multiprocessing – 標準的Python庫執行多程序。celery – 基於分散式訊息傳遞的非同步任務佇列/作業佇列。concurrent-futures – concurrent-futures 模組為呼叫非同步執行提供了一個高層次的介面。

非同步

非同步網路程式設計庫

asyncio – （在Python 3.4 +版本以上的 Python標準庫）非同步I/O，時間迴圈，協同程式和任務。Twisted – 基於事件驅動的網路引擎框架。Tornado – 一個網路框架和非同步網路庫。pulsar – Python事件驅動的併發框架。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支援的非同步框架。Tomorrow – 非同步程式碼的奇妙的修飾語法。

佇列

celery – 基於分散式訊息傳遞的非同步任務佇列/作業佇列。huey – 小型多執行緒任務佇列。mrq – Mr. Queue – 使用redis & Gevent 的Python分散式工作任務佇列。RQ – 基於Redis的輕量級任務佇列管理器。simpleq – 一個簡單的，可無限擴充套件，基於Amazon SQS的佇列。python-gearman – Gearman的Python API。

雲計算

picloud – 雲端執行Python程式碼。dominoup.com – 雲端執行R，Python和matlab程式碼

網頁內容提取

提取網頁內容的庫。

HTML頁面的文字和元資料newspaper – 用Python進行新聞提取、文章提取和內容策展。html2text – 將HTML轉為Markdown格式文字。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 – 開源的應用訊息傳遞路由器（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客戶端和伺服器庫。

DNS解析

dnsyo – 在全球超過1500個的DNS伺服器上檢查你的DNS。pycares – c-ares的介面。c-ares是進行DNS請求和非同步名稱決議的C語言庫。

計算機視覺

OpenCV – 開源計算機視覺庫。SimpleCV – 用於照相機、影象處理、特徵提取、格式轉換的簡介，可讀性強的介面（基於OpenCV）。mahotas – 快速計算機影象處理演算法（完全使用 C++ 實現），完全基於 numpy 的陣列作為它的資料型別。

代理伺服器

shadowsocks – 一個快速隧道代理，可幫你穿透防火牆（支援TCP和UDP，TFO，多使用者和平滑重啟，目的IP黑名單）。tproxy – tproxy是一個簡單的TCP路由代理（第7層），基於Gevent，用Python進行配置。

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，支援許多資料庫引擎，可以讓Web開發變得迅速和可擴充套件，並會不斷的版本更新以匹配Python最新版本，如果是新手程式設計師，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沒有預設使用的資料庫、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、檔案上傳、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、可擴充套件、安全以及可移植的資料庫驅動的應用，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版的線上開發，HTML模版編寫，靜態檔案的上傳，資料庫的編寫的功能。其它的還有日誌功能，以及一個自動化的admin介面。

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（他這裡說的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…”

5.CherryPy

CherryPy是一種用於Python的、簡單而非常有用的Web框架，其主要作用是以儘可能少的操作將Web伺服器與Python程式碼連線，其功能包括內建的分析功能、靈活的外掛系統以及一次執行多個HTTP伺服器的功能，可與執行在最新版本的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。程式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，程式語言、框架都只是工具，能多、快、好、省的幹完活就是好東西。過分關注效能——其實大部分人是沒必要太關心框架的效能的，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效能其實是沒有多大意義的，因為你的CPU和記憶體一直就閒著呢。