Python老猿述說:Python庫大全,最全知識大全值得一看!
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後回車,後臺會發生什麼?比如說你輸入http://www.tuotiao.com,你就會看到頭條站首頁。
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。
網絡爬蟲要做的,簡單來說,就是實現瀏覽器的功能。通過指定url,直接返回給用戶所需要的數據,而不需要一步步人工去操縱瀏覽器獲取。
抓取這一步,你要明確要得到的內容是什麼?是HTML源碼,還是Json格式的字符串等。將得到內容逐一解析就好。具體的如何解析,以及如何處理數據,文章後面提供了非常詳細的且功能強大的開源庫列表。
當然了,爬去別人家的數據,很有可能會遭遇反爬蟲機制的,怎麼辦?使用代理。
適用情況:限制IP地址情況,也可解決由於“頻繁點擊”而需要輸入驗證碼登陸的情況。
這種情況最好的辦法就是維護一個代理IP池,網上有很多免費的代理IP,良莠不齊,可以通過篩選找到能用的。
對於“頻繁點擊”的情況,我們還可以通過限制爬蟲訪問網站的頻率來避免被網站禁掉。
有些網站會檢查你是不是真的瀏覽器訪問,還是機器自動訪問的。這種情況,加上User-Agent,表明你是瀏覽器訪問即可。有時還會檢查是否帶Referer信息還會檢查你的Referer是否合法,一般再加上Referer。也就是偽裝成瀏覽器,或者反“反盜鏈”。
對於網站有驗證碼的情況,我們有三種辦法:
- 使用代理,更新IP。
- 使用cookie登陸。
- 驗證碼識別。
接下來我們重點聊聊驗證碼識別。
可以利用開源的Tesseract-OCR系統進行驗證碼圖片的下載及識別,將識別的字符傳到爬蟲系統進行模擬登陸。當然也可以將驗證碼圖片上傳到打碼平臺上進行識別。如果不成功,可以再次更新驗證碼識別,直到成功為止。
好了,爬蟲就簡單聊到這兒,有興趣的朋友可以去網上搜索更詳細的內容。
文末附上本文重點:實用Python庫大全。
網絡
- urllib -網絡庫(stdlib)。
- requests -網絡庫。
- grab – 網絡庫(基於pycurl)。
- pycurl – 網絡庫(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 – 底層網絡接口(stdlib)。
網絡爬蟲框架
- grab – 網絡爬蟲框架(基於pycurl/multicur)。
- scrapy – 網絡爬蟲框架。
- pyspider – 一個強大的爬蟲系統。
- cola – 一個分佈式爬蟲框架。
HTML/XML解析器
- 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。
- 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。
文本處理
用於解析和操作簡單文本的庫。
- 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臺。
- Pattern – Python的網絡挖掘模塊。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 – 另一箇中文分詞庫。
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 – 基於分佈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,協同程序和任務。
- Twisted – 基於事件驅動的網絡引擎框架。
- Tornado – 一個網絡框架和異步網絡庫。
- 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 – 基於分佈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分佈式工作任務隊列。
- 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++ 實現),完全基於 numpy 的數組作為它的數據類型。
代理服務器
- shadowsocks – 一個快速隧道代理,可幫你穿透防火牆(支持TCP和UDP,TFO,多用戶和平滑重啟,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。
如需自學編程的可以關注老猿,有問題大家可以一起交流一下,或者評論區見,私信回覆“資料”還可以獲取一套自學編程資料教程。
閱讀更多 Java自學工程師 的文章