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，開源項目也非常多。
Python學(xué)習(xí)網(wǎng)絡(luò)爬蟲主要分3個大的版塊：抓取，分析，存儲
當(dāng)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：
1、查找域名對應(yīng)的IP地址。
2、向IP對應(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(hù)一個代理IP池，網(wǎng)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。
對于“頻繁點擊”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)站會檢查你是不是真的瀏覽器訪問，還是機(jī)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”。
對于網(wǎng)站有驗證碼的情況，我們有三種辦法：
1、使用代理，更新IP。
2、使用cookie登陸。
3、驗證碼識別。
接下來我們重點聊聊驗證碼識別。這個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 免費領(lǐng)取
可以利用開源的Tesseract-OCR系統(tǒng)進(jìn)行驗證碼圖片的下載及識別，將識別的字符傳到爬蟲系統(tǒng)進(jìn)行模擬登陸。當(dāng)然也可以將驗證碼圖片上傳到打碼平臺上進(jìn)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(wǎng)上搜索更詳細(xì)的內(nèi)容。
文末附上本文重點：實用Python庫大全。
網(wǎng)絡(luò)
urllib -網(wǎng)絡(luò)庫(stdlib)。
requests -網(wǎng)絡(luò)庫。
grab – 網(wǎng)絡(luò)庫（基于pycurl）。
pycurl – 網(wǎng)絡(luò)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(luò)庫。
RoboBrowser – 一個簡單的、極具Python風(fēng)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(luò)接口(stdlib)。
網(wǎng)絡(luò)爬蟲框架
grab – 網(wǎng)絡(luò)爬蟲框架（基于pycurl/multicur）。
scrapy – 網(wǎng)絡(luò)爬蟲框架。
pyspider – 一個強(qiáng)大的爬蟲系統(tǒng)。
cola – 一個分布式爬蟲框架。
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(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。
文本處理
用于解析和操作簡單文本的庫。
difflib – （Python標(biāo)準(zhǔn)庫）幫助進(jìn)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(dá)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(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 – 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 – 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(biāo)準(zhǔn)庫的線程運(yùn)行。對于I/O密集型任務(wù)很有效。對于CPU綁定的任務(wù)沒用，因為python GIL。
multiprocessing – 標(biāo)準(zhǔn)的Python庫運(yùn)行多進(jìn)程。
celery – 基于分布式消息傳遞的異步任務(wù)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(luò)編程庫
asyncio – （在Python 3.4 +版本以上的 Python標(biāo)準(zhǔn)庫）異步I/O，時間循環(huán)，協(xié)同程序和任務(wù)。
Twisted – 基于事件驅(qū)動的網(wǎng)絡(luò)引擎框架。
Tornado – 一個網(wǎng)絡(luò)框架和異步網(wǎng)絡(luò)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(luò)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(wù)隊列/作業(yè)隊列。
huey – 小型多線程任務(wù)隊列。
mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任務(wù)隊列。
RQ – 基于Redis的輕量級任務(wù)隊列管理器。
simpleq – 一個簡單的，可無限擴(kuò)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(jìn)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(yīng)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(wù)器庫。
DNS解析
dnsyo – 在全球超過1500個的DNS服務(wù)器上檢查你的DNS。
pycares – 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。
計算機(jī)視覺
OpenCV – 開源計算機(jī)視覺庫。
SimpleCV – 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 – 快速計算機(jī)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。
代理服務(wù)器
shadowsocks – 一個快速隧道代理，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 – tproxy是一個簡單的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。
