學(xué)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(xiàng)目也非常多。

Python學(xué)習(xí)網(wǎng)絡(luò)爬蟲主要分3個(gè)大的版塊：抓取，分析，存儲(chǔ)

當(dāng)我們在瀏覽器中輸入一個(gè)url后回車，后臺(tái)會(huì)發(fā)生什么？

簡單來說這段過程發(fā)生了以下四個(gè)步驟：

1. 查找域名對(duì)應(yīng)的IP地址。
2. 向IP對(duì)應(yīng)的服務(wù)器發(fā)送請求。
3. 服務(wù)器響應(yīng)請求，發(fā)回網(wǎng)頁內(nèi)容。
4. 瀏覽器解析網(wǎng)頁內(nèi)容。
   

網(wǎng)絡(luò)爬蟲要做的，簡單來說，就是實(shí)現(xiàn)瀏覽器的功能。通過指定url，直接返回給用戶所需要的數(shù)據(jù)，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(nèi)容是什么？是HTML源碼，還是Json格式的字符串等。將得到內(nèi)容逐一解析就好。具體的如何解析，以及如何處理數(shù)據(jù)，文章后面提供了非常詳細(xì)的且功能強(qiáng)大的開源庫列表。

當(dāng)然了，爬去別人家的數(shù)據(jù)，很有可能會(huì)遭遇反爬蟲機(jī)制的，怎么辦？使用代理。

適用情況：限制IP地址情況，也可解決由于“頻繁點(diǎn)擊”而需要輸入驗(yàn)證碼登陸的情況。

這種情況最好的辦法就是維護(hù)一個(gè)代理IP池，網(wǎng)上有很多免費(fèi)的代理IP，良莠不齊，可以通過篩選找到能用的。

對(duì)于“頻繁點(diǎn)擊”的情況，我們還可以通過限制爬蟲訪問網(wǎng)站的頻率來避免被網(wǎng)站禁掉。

有些網(wǎng)站會(huì)檢查你是不是真的瀏覽器訪問，還是機(jī)器自動(dòng)訪問的。這種情況，加上User-Agent，表明你是瀏覽器訪問即可。有時(shí)還會(huì)檢查是否帶Referer信息還會(huì)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(duì)于網(wǎng)站有驗(yàn)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(yàn)證碼識(shí)別。

接下來我們重點(diǎn)聊聊驗(yàn)證碼識(shí)別。這個(gè)python q-u-n 227--435---450就是小編期待大家一起交流討論，各種入門資料啊，進(jìn)階資料啊，框架資料啊 免費(fèi)領(lǐng)取

可以利用開源的Tesseract-OCR系統(tǒng)進(jìn)行驗(yàn)證碼圖片的下載及識(shí)別，將識(shí)別的字符傳到爬蟲系統(tǒng)進(jìn)行模擬登陸。當(dāng)然也可以將驗(yàn)證碼圖片上傳到打碼平臺(tái)上進(jìn)行識(shí)別。如果不成功，可以再次更新驗(yàn)證碼識(shí)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(wǎng)上搜索更詳細(xì)的內(nèi)容。

文末附上本文重點(diǎn)：實(shí)用Python庫大全。

網(wǎng)絡(luò)

urllib -網(wǎng)絡(luò)庫(stdlib)。

requests -網(wǎng)絡(luò)庫。

grab ?C 網(wǎng)絡(luò)庫（基于pycurl）。

pycurl ?C 網(wǎng)絡(luò)庫（綁定libcurl）。

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

httplib2 ?C 網(wǎng)絡(luò)庫。

RoboBrowser ?C 一個(gè)簡單的、極具Python風(fēng)格的Python庫，無需獨(dú)立的瀏覽器即可瀏覽網(wǎng)頁。

MechanicalSoup -一個(gè)與網(wǎng)站自動(dòng)交互Python庫。

mechanize -有狀態(tài)、可編程的Web瀏覽庫。

socket ?C 底層網(wǎng)絡(luò)接口(stdlib)。

網(wǎng)絡(luò)爬蟲框架

grab ?C 網(wǎng)絡(luò)爬蟲框架（基于pycurl/multicur）。

scrapy ?C 網(wǎng)絡(luò)爬蟲框架。

pyspider ?C 一個(gè)強(qiáng)大的爬蟲系統(tǒng)。

cola ?C 一個(gè)分布式爬蟲框架。

HTML/XML解析器

lxml ?C C語言編寫高效HTML/ XML處理庫。支持XPath。

cssselect ?C 解析DOM樹和CSS選擇器。

pyquery ?C 解析DOM樹和jQuery選擇器。

BeautifulSoup ?C 低效HTML/ XML處理庫，純Python實(shí)現(xiàn)。

html5lib ?C 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 ?C 解析RSS/ATOM feeds。

MarkupSafe ?C 為XML/HTML/XHTML提供了安全轉(zhuǎn)義的字符串。

文本處理

用于解析和操作簡單文本的庫。

difflib ?C （Python標(biāo)準(zhǔn)庫）幫助進(jìn)行差異化比較。

Levenshtein ?C 快速計(jì)算Levenshtein距離和字符串相似度。

fuzzywuzzy ?C 模糊字符串匹配。

esmre ?C 正則表達(dá)式加速器。

ftfy ?C 自動(dòng)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(tái)。

Pattern ?C Python的網(wǎng)絡(luò)挖掘模塊。他有自然語言處理工具，機(jī)器學(xué)習(xí)以及其它。

TextBlob ?C 為深入自然語言處理任務(wù)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 ?C 中文分詞工具。

SnowNLP ?C 中文文本處理庫。

loso ?C 另一個(gè)中文分詞庫。

瀏覽器自動(dòng)化與仿真

selenium ?C 自動(dòng)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 ?C 對(duì)PyQt的webkit的封裝（需要PyQT）。

Spynner ?C 對(duì)PyQt的webkit的封裝（需要PyQT）。

Splinter ?C 通用API瀏覽器模擬器（selenium web驅(qū)動(dòng)，Django客戶端，Zope）。

多重處理

threading ?C Python標(biāo)準(zhǔn)庫的線程運(yùn)行。對(duì)于I/O密集型任務(wù)很有效。對(duì)于CPU綁定的任務(wù)沒用，因?yàn)閜ython GIL。

multiprocessing ?C 標(biāo)準(zhǔn)的Python庫運(yùn)行多進(jìn)程。

celery ?C 基于分布式消息傳遞的異步任務(wù)隊(duì)列/作業(yè)隊(duì)列。

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

異步

異步網(wǎng)絡(luò)編程庫

asyncio ?C （在Python 3.4 +版本以上的 Python標(biāo)準(zhǔn)庫）異步I/O，時(shí)間循環(huán)，協(xié)同程序和任務(wù)。

Twisted ?C 基于事件驅(qū)動(dòng)的網(wǎng)絡(luò)引擎框架。

Tornado ?C 一個(gè)網(wǎng)絡(luò)框架和異步網(wǎng)絡(luò)庫。

pulsar ?C Python事件驅(qū)動(dòng)的并發(fā)框架。

diesel ?C Python的基于綠色事件的I/O框架。

gevent ?C 一個(gè)使用greenlet 的基于協(xié)程的Python網(wǎng)絡(luò)庫。

eventlet ?C 有WSGI支持的異步框架。

Tomorrow ?C 異步代碼的奇妙的修飾語法。

隊(duì)列

celery ?C 基于分布式消息傳遞的異步任務(wù)隊(duì)列/作業(yè)隊(duì)列。

huey ?C 小型多線程任務(wù)隊(duì)列。

mrq ?C Mr. Queue ?C 使用redis & Gevent 的Python分布式工作任務(wù)隊(duì)列。

RQ ?C 基于Redis的輕量級(jí)任務(wù)隊(duì)列管理器。

simpleq ?C 一個(gè)簡單的，可無限擴(kuò)展，基于Amazon SQS的隊(duì)列。

python-gearman ?C Gearman的Python API。

云計(jì)算

picloud ?C 云端執(zhí)行Python代碼。

dominoup.com ?C 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 ?C 用Python進(jìn)行新聞提取、文章提取和內(nèi)容策展。

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

python-goose ?C HTML內(nèi)容/文章提取器。

lassie ?C 人性化的網(wǎng)頁內(nèi)容檢索工具

WebSocket

用于WebSocket的庫。

Crossbar ?C 開源的應(yīng)用消息傳遞路由器（Python實(shí)現(xiàn)的用于Autobahn的WebSocket和WAMP）。

AutobahnPython ?C 提供了WebSocket協(xié)議和WAMP協(xié)議的Python實(shí)現(xiàn)并且開源。

WebSocket-for-Python ?C Python 2和3以及PyPy的WebSocket客戶端和服務(wù)器庫。

DNS解析

dnsyo ?C 在全球超過1500個(gè)的DNS服務(wù)器上檢查你的DNS。

pycares ?C c-ares的接口。c-ares是進(jìn)行DNS請求和異步名稱決議的C語言庫。

計(jì)算機(jī)視覺

OpenCV ?C 開源計(jì)算機(jī)視覺庫。

SimpleCV ?C 用于照相機(jī)、圖像處理、特征提取、格式轉(zhuǎn)換的簡介，可讀性強(qiáng)的接口（基于OpenCV）。

mahotas ?C 快速計(jì)算機(jī)圖像處理算法（完全使用 C++ 實(shí)現(xiàn)），完全基于 numpy 的數(shù)組作為它的數(shù)據(jù)類型。

代理服務(wù)器

shadowsocks ?C 一個(gè)快速隧道代理，可幫你穿透防火墻（支持TCP和UDP，TFO，多用戶和平滑重啟，目的IP黑名單）。

tproxy ?C tproxy是一個(gè)簡單的TCP路由代理（第7層），基于Gevent，用Python進(jìn)行配置。

另：Python有很多Web開發(fā)框架,大而全的開發(fā)框架非Django莫屬,用得也最廣泛.有很多公司有使用Django框架,如某狐,某訊等。以簡潔著稱的web.py,flask都非常易于上手,以異步高性能著稱的tornado,源代碼寫得美如畫,知乎,Quora都在用。