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。
網路爬蟲要做的，簡單來說，就是實現瀏覽器的功能。通過指定url，直接返回給使用者所需要的資料，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原始碼，還是Json格式的字串等。將得到內容逐一解析就好。具體的如何解析，以及如何處理資料，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，爬去別人家的資料，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“頻繁點選”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“頻繁點選”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資訊還會檢查你的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。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系統進行驗證碼圖片的下載及識別，將識別的字元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尋更詳細的內容。
文末附上本文重點：實用Python庫大全。
網路
urllib -網路庫(stdlib)。
requests -網路庫。
grab – 網路庫（基於pycurl）。
pycurl – 網路庫（繫結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)。
網路爬蟲框架
grab – 網路爬蟲框架（基於pycurl/multicur）。
scrapy – 網路爬蟲框架。
pyspider – 一個強大的爬蟲系統。
cola – 一個分散式爬蟲框架。
HTML/XML解析器
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文件的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。
文字處理
用於解析和操作簡單文字的庫。
difflib – （Python標準庫）幫助進行差異化比較。
Levenshtein – 快速計算Levenshtein距離和字串相似度。
fuzzywuzzy – 模糊字串匹配。
esmre – 正規表示式加速器。
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 – 另一箇中文分詞庫。
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繫結的任務沒用，因為python GIL。
multiprocessing – 標準的Python庫執行多程式。
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頁面的文字和後設資料
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、影像處理、特徵提取、格式轉換的簡介，可讀性強的介面（基於OpenCV）。
mahotas – 快速計算機影像處理演算法（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。
另：
Python有很多Web開發框架,大而全的開發框架非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都非常易於上手,以非同步高效能著稱的tornado,原始碼寫得美如畫,知乎,Quora都在用。
本文作者：q1622479435
閱讀原文
本文為雲棲社群原創內容，未經允許不得轉載。