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
