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. 查找域名對應的IP地址。
2. 向IP對應的服務器發(fā)送請求。
3. 服務器響應請求，發(fā)回網頁內容。
4. 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么？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，文章后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。

對于“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”。

對于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。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，進階資料啊，框架資料啊 免費領取

可以利用開源的Tesseract-OCR系統(tǒng)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(tǒng)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 ?C 網絡庫（基于pycurl）。

pycurl ?C 網絡庫（綁定libcurl）。

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

httplib2 ?C 網絡庫。

RoboBrowser ?C 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(tài)、可編程的Web瀏覽庫。

socket ?C 底層網絡接口(stdlib)。

網絡爬蟲框架

grab ?C 網絡爬蟲框架（基于pycurl/multicur）。

scrapy ?C 網絡爬蟲框架。

pyspider ?C 一個強大的爬蟲系統(tǒng)。

cola ?C 一個分布式爬蟲框架。

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實現。

html5lib ?C 根據WHATWG規(guī)范生成HTML/ XML文檔的DOM。該規(guī)范被用在現在所有的瀏覽器上。

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標準庫）幫助進行差異化比較。

Levenshtein ?C 快速計算Levenshtein距離和字符串相似度。

fuzzywuzzy ?C 模糊字符串匹配。

esmre ?C 正則表達式加速器。

ftfy ?C 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 ?C 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 ?C 為深入自然語言處理任務提供了一致的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 另一個中文分詞庫。

瀏覽器自動化與仿真

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

Spynner ?C 對PyQt的webkit的封裝（需要PyQT）。

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

多重處理

threading ?C Python標準庫的線程運行。對于I/O密集型任務很有效。對于CPU綁定的任務沒用，因為python GIL。

multiprocessing ?C 標準的Python庫運行多進程。

celery ?C 基于分布式消息傳遞的異步任務隊列/作業(yè)隊列。

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

異步

異步網絡編程庫

asyncio ?C （在Python 3.4 +版本以上的 Python標準庫）異步I/O，時間循環(huán)，協(xié)同程序和任務。

Twisted ?C 基于事件驅動的網絡引擎框架。

Tornado ?C 一個網絡框架和異步網絡庫。

pulsar ?C Python事件驅動的并發(fā)框架。

diesel ?C Python的基于綠色事件的I/O框架。

gevent ?C 一個使用greenlet 的基于協(xié)程的Python網絡庫。

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。

隊列

celery ?C 基于分布式消息傳遞的異步任務隊列/作業(yè)隊列。

huey ?C 小型多線程任務隊列。

mrq ?C Mr. Queue ?C 使用redis & Gevent 的Python分布式工作任務隊列。

RQ ?C 基于Redis的輕量級任務隊列管理器。

simpleq ?C 一個簡單的，可無限擴展，基于Amazon SQS的隊列。

python-gearman ?C Gearman的Python API。

云計算

picloud ?C 云端執(zhí)行Python代碼。

dominoup.com ?C 云端執(zhí)行R，Python和matlab代碼

網頁內容提取

提取網頁內容的庫。

HTML頁面的文本和元數據

newspaper ?C 用Python進行新聞提取、文章提取和內容策展。

html2text ?C 將HTML轉為Markdown格式文本。

python-goose ?C HTML內容/文章提取器。

lassie ?C 人性化的網頁內容檢索工具

WebSocket

用于WebSocket的庫。

Crossbar ?C 開源的應用消息傳遞路由器（Python實現的用于Autobahn的WebSocket和WAMP）。

AutobahnPython ?C 提供了WebSocket協(xié)議和WAMP協(xié)議的Python實現并且開源。

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

DNS解析

dnsyo ?C 在全球超過1500個的DNS服務器上檢查你的DNS。

pycares ?C 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 ?C 開源計算機視覺庫。

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

mahotas ?C 快速計算機圖像處理算法（完全使用 C++ 實現），完全基于 numpy 的數組作為它的數據類型。

代理服務器

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

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。