学Python，想必大家都是从爬虫开始的吧。毕竟网上类似的资源很丰富，开源项目也非常多。

Python学习网络爬虫主要分3个大的版块：抓取，分析，存储

当我们在浏览器中输入一个url后回车，后台会发生什么？

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。

那么学习爬虫需要掌握哪些库呢？

通用：

• 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)。

• Unirest for Python – Unirest是一套可用于多种语言的轻量级的HTTP库。

• hyper – Python的HTTP/2客户端。

• PySocks – SocksiPy更新并积极维护的版本，包括错误修复和一些其他的特征。作为socket模块的直接替换。

网络爬虫框架

• 功能齐全的爬虫

  • grab – 网络爬虫框架（基于pycurl/multicur）。

  • scrapy – 网络爬虫框架（基于twisted），不支持Python3。

  • pyspider – 一个强大的爬虫系统。

  • cola – 一个分布式爬虫框架。

• 其他

  • portia – 基于Scrapy的可视化爬虫。

  • restkit – Python的HTTP资源工具包。它可以让你轻松地访问HTTP资源，并围绕它建立的对象。

  • demiurge – 基于PyQuery的爬虫微框架。

HTML/XML解析器

• 通用

  • 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。

  • xmltodict – 一个可以让你在处理XML时感觉像在处理JSON一样的Python模块。

  • xhtml2pdf – 将HTML/CSS转换为PDF。

  • untangle – 轻松实现将XML文件转换为Python对象。

• 清理

  • Bleach – 清理HTML（需要html5lib）。

  • sanitize – 为混乱的数据世界带来清明。

文本处理

用于解析和操作简单文本的库。

• 通用

• 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。

• dominoup.com – 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。

关于框架的选择误区

1. 在框架的选择问题上，许多人很容易就陷入了下面两个误区中而不自知：哪个框架最好——世上没有最好的框架，只有最适合你自己、最适合你的团队的框架。编程语言选择也是一个道理，你的团队Python最熟就用Python好了，如果最熟悉的是Ruby那就用Ruby好了，编程语言、框架都只是工具，能多、快、好、省的干完活就是好东西。

2. 过分关注性能——其实大部分人是没必要太关心框架的性能的，因为你开发的网站根本就是个小站，能上1万的IP的网站已经不多了，上10万的更是很少很少。在没有一定的访问量前谈性能其实是没有多大意义的，因为你的CPU和内存一直就闲着呢。