认识达内从这里开始

认真做教育专心促就业

青岛it培训:python库

发布：青岛it培训
来源：青岛it培训
时间：2018-04-16 15:37

达内告诉我们，Python学习网络爬虫主要分3个大的版块：抓取，分析，存储

达内培训告诉我们，当我们在浏览器中输入一个url后回车，后台会发生什么？

青岛it培训

    简单来说这段过程发生了以下四个步骤：
    查找域名对应的IP地址。
    向IP对应的服务器发送请求。
    服务器响应请求，发回网页内容。
    浏览器解析网页内容。
    青岛it培训告诉我们，网络爬虫要做的，简单来说，就是实现浏览器的功能。通过指定url,直接返回给用户所需要的数据，而不需要一步步人工去操纵浏览器获取。
    抓取这一步，你要明确要得到的内容是什么？是HTML源码，还是Json格式的字符串等。将得到内容逐一解析就好。具体的如何解析，以及如何处理数据，文章后面提供了非常详细的且功能强大的开源库列表。
    当然了，爬去别人家的数据，很有可能会遭遇反爬虫机制的，怎么办？使用代理。
    适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。
    青岛it培训班告诉我们，这种情况最好的办法就是维护一个代理IP池，网上有很多免费的代理IP,良莠不齐，可以通过筛选找到能用的。
    对于“频繁点击”的情况，我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。
    有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent,表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer.也就是伪装成浏览器，或者反“反盗链”.
    青岛it培训机构告诉我们，对于网站有验证码的情况，我们有三种办法：
    使用代理，更新IP.
    使用cookie登陆。
    验证码识别。
    接下来我们重点聊聊验证码识别。
    可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。当然也可以将验证码图片上传到打码平台上进行识别。如果不成功，可以再次更新验证码识别，直到成功为止。
    好了，爬虫就简单聊到这儿，有兴趣的朋友可以去网上搜索更详细的内容。
    文末附上本文重点：实用Python库大全。
    网络
    urllib -网络库（stdlib）。
    requests -网络库。
    grab – 网络库（基于pycurl）。
    pycurl – 网络库（绑定libcurl）。
    urllib3 – Python HTTP库，安全连接池、支持文件post、可用性高。
    httplib2 – 网络库。
    RoboBrowser – 一个简单的、极具Python风格的Python库，无需独立的浏览器即可浏览网页。
    MechanicalSoup -一个与网站自动交互Python库。
    mechanize -有状态、可编程的Web浏览库。
    socket – 底层网络接口（stdlib）。
    网络爬虫框架
    grab – 网络爬虫框架（基于pycurl/multicur）。
    scrapy – 网络爬虫框架。
    pyspider – 一个强大的爬虫系统。
    cola – 一个分布式爬虫框架。
    HTML/XML解析器
    lxml – C语言编写高效HTML/ XML处理库。支持XPath.
    cssselect – 解析DOM树和CSS选择器。
    pyquery – 解析DOM树和jQuery选择器。
    BeautifulSoup – 低效HTML/ XML处理库，纯Python实现。
    html5lib – 根据WHATWG规范生成HTML/ XML文档的DOM.该规范被用在现在所有的浏览器上。
    feedparser – 解析RSS/ATOM feeds.
    MarkupSafe – 为XML/HTML/XHTML提供了安全转义的字符串。
    文本处理
    用于解析和操作简单文本的库。
    difflib – （Python标准库）帮助进行差异化比较。
    Levenshtein – 快速计算Levenshtein距离和字符串相似度。
    fuzzywuzzy – 模糊字符串匹配。
    esmre – 正则表达式加速器。
    ftfy – 自动整理Unicode文本，减少碎片化。
    自然语言处理
    处理人类语言问题的库。
    NLTK -编写Python程序来处理人类语言数据的最好平台。
    Pattern – Python的网络挖掘模块。他有自然语言处理工具，机器学习以及其它。
    TextBlob – 为深入自然语言处理任务提供了一致的API.是基于NLTK以及Pattern的巨人之肩上发展的。
    jieba – 中文分词工具。
    SnowNLP – 中文文本处理库。
    loso – 另一个中文分词库。
    浏览器自动化与仿真
    selenium – 自动化真正的浏览器（Chrome浏览器，火狐浏览器，Opera浏览器，IE浏览器）。
    Ghost.py – 对PyQt的webkit的封装（需要PyQT）。
    Spynner – 对PyQt的webkit的封装（需要PyQT）。
    Splinter – 通用API浏览器模拟器（selenium web驱动，Django客户端，Zope）。
    多重处理
    threading – Python标准库的线程运行。对于I/O密集型任务很有效。对于CPU绑定的任务没用，因为python GIL.
    multiprocessing – 标准的Python库运行多进程。
    celery – 基于分布式消息传递的异步任务队列/作业队列。
    concurrent-futures – concurrent-futures 模块为调用异步执行提供了一个高层次的接口。
    异步
    异步网络编程库
    asyncio – （在Python 3.4 +版本以上的 Python标准库）异步I/O,时间循环，协同程序和任务。
    Twisted – 基于事件驱动的网络引擎框架。
    Tornado – 一个网络框架和异步网络库。
    pulsar – Python事件驱动的并发框架。
    diesel – Python的基于绿色事件的I/O框架。
    gevent – 一个使用greenlet 的基于协程的Python网络库。
    eventlet – 有WSGI支持的异步框架。
    Tomorrow – 异步代码的奇妙的修饰语法。
    队列
    celery – 基于分布式消息传递的异步任务队列/作业队列。
    huey – 小型多线程任务队列。
    mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任务队列。
    RQ – 基于Redis的轻量级任务队列管理器。
    simpleq – 一个简单的，可无限扩展，基于Amazon SQS的队列。
    python-gearman – Gearman的Python API.
    云计算
    picloud – 云端执行Python代码。
    # – 云端执行R,Python和matlab代码
    网页内容提取
    提取网页内容的库。
    HTML页面的文本和元数据
    newspaper – 用Python进行新闻提取、文章提取和内容策展。
    html2text – 将HTML转为Markdown格式文本。
    python-goose – HTML内容/文章提取器。
    lassie – 人性化的网页内容检索工具
    WebSocket
    用于WebSocket的库。
    Crossbar – 开源的应用消息传递路由器（Python实现的用于Autobahn的WebSocket和WAMP）。
    AutobahnPython – 提供了WebSocket协议和WAMP协议的Python实现并且开源。
    WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客户端和服务器库。
    DNS解析
    dnsyo – 在全球超过1500个的DNS服务器上检查你的DNS.
    pycares – c-ares的接口。c-ares是进行DNS请求和异步名称决议的C语言库。
    计算机视觉
    OpenCV – 开源计算机视觉库。
    SimpleCV – 用于照相机、图像处理、特征提取、格式转换的简介，可读性强的接口（基于OpenCV）。
    mahotas – 快速计算机图像处理算法（完全使用 C++ 实现），完全基于 numpy 的数组作为它的数据类型。
    代理服务器
    shadowsocks – 一个快速隧道代理，可帮你穿透防火墙（支持TCP和UDP,TFO,多用户和平滑重启，目的IP黑名单）。
    tproxy – tproxy是一个简单的TCP路由代理（第7层），基于Gevent,用Python进行配置。

希望对您有所帮助

更多山东it培训相关资讯，请扫描下方二维码

青岛it培训机构