歡迎光臨
每天分享高質量文章

Python庫大全,建議收藏留用!

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(系結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,包括錯誤修複和一些其他的特徵。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檔案的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 – 正則運算式加速器。

  • 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 – 另一個中文分詞庫。

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系結的任務沒用,因為python GIL。

  • multiprocessing – 標準的Python庫執行多行程。

  • 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。

雲端計算

  • 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,如果是新手程式員,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…”

因為有這層關係,後面不再單獨討論Tornado。

5.CherryPy

CherryPy是一種用於Python的、簡單而非常有用的Web框架,其主要作用是以盡可能少的操作將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

  1. 在框架的選擇問題上,許多人很容易就陷入了下麵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。

  2. 過分關註效能——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和記憶體一直就閑著呢。

贊(0)

分享創造快樂