匯總整理一套Python網頁爬蟲，文本處理，科學計算，機器學習和數據挖掘的兵器譜。

1. Python網頁爬蟲工具集

一個真實的項目，一定是從獲取數據開始的。無論文本處理，機器學習和數據挖掘，都需要數據，除了通過一些渠道購買或者下載的專業數據外，常常需要大家自己動手爬數據，這個時候，爬蟲就顯得格外重要了，幸好，Python提供了一批很不錯的網頁爬蟲工具框架，既能爬取數據，也能獲取和清洗數據，也就從這里開始了：

1.1 Scrapy

鼎鼎大名的Scrapy，相信不少同學都有耳聞，課程圖譜中的很多課程都是依靠Scrapy抓去的，這方面的介紹文章有很多，推薦大牛pluskid早年的一篇文章：《Scrapy 輕松定制網絡爬蟲》，歷久彌新。

官方主頁：http://scrapy.org/
Github代碼頁: https://github.com/scrapy/scrapy

1.2 Beautiful Soup

客觀的說，Beautifu Soup不完全是一套爬蟲工具，需要配合urllib使用，而是一套HTML / XML數據分析，清洗和獲取工具。

官方主頁：http://www.crummy.com/software/BeautifulSoup/

1.3 Python-Goose

Goose最早是用Java寫得，后來用Scala重寫，是一個Scala項目。Python-Goose用Python重寫，依賴了Beautiful Soup。前段時間用過，感覺很不錯，給定一個文章的URL, 獲取文章的標題和內容很方便。

Github主頁：https://github.com/grangier/python-goose

2. Python文本處理工具集

從網頁上獲取文本數據之后，依據任務的不同，就需要進行基本的文本處理了，譬如對于英文來說，需要基本的tokenize，對于中文，則需要常見的中文分詞，進一步的話，無論英文中文，還可以詞性標注，句法分析，關鍵詞提取，文本分類，情感分析等等。這個方面，特別是面向英文領域，有很多優秀的工具包，我們一一道來。

2.1 NLTK ― Natural Language Toolkit

搞自然語言處理的同學應該沒有人不知道NLTK吧，這里也就不多說了。不過推薦兩本書籍給剛剛接觸NLTK或者需要詳細了解NLTK的同學: 一個是官方的《Natural Language Processing with Python》，以介紹NLTK里的功能用法為主，同時附帶一些Python知識，同時國內陳濤同學友情翻譯了一個中文版，這里可以看到：推薦《用Python進行自然語言處理》中文翻譯-NLTK配套書；另外一本是《Python Text Processing with NLTK 2.0 Cookbook》，這本書要深入一些，會涉及到NLTK的代碼結構，同時會介紹如何定制自己的語料和模型等，相當不錯。

官方主頁：http://www.nltk.org/
Github代碼頁：https://github.com/nltk/nltk

2.2 Pattern

Pattern由比利時安特衛普大學CLiPS實驗室出品，客觀的說，Pattern不僅僅是一套文本處理工具，它更是一套web數據挖掘工具，囊括了數據抓取模塊（包括Google, Twitter, 維基百科的API，以及爬蟲和HTML分析器），文本處理模塊（詞性標注，情感分析等），機器學習模塊(VSM, 聚類，SVM）以及可視化模塊等，可以說，Pattern的這一整套邏輯也是這篇文章的組織邏輯，不過這里我們暫且把Pattern放到文本處理部分。我個人主要使用的是它的英文處理模塊Pattern.en, 有很多很不錯的文本處理功能，包括基礎的tokenize, 詞性標注，句子切分，語法檢查，拼寫糾錯，情感分析，句法分析等，相當不錯。

官方主頁：http://www.clips.ua.ac.be/pattern

2.3 TextBlob: Simplified Text Processing

TextBlob是一個很有意思的Python文本處理工具包，它其實是基于上面兩個Python工具包NLKT和Pattern做了封裝（TextBlob stands on the giant shoulders of NLTK and pattern, and plays nicely with both），同時提供了很多文本處理功能的接口，包括詞性標注，名詞短語提取，情感分析，文本分類，拼寫檢查等，甚至包括翻譯和語言檢測，不過這個是基于Google的API的，有調用次數限制。TextBlob相對比較年輕，有興趣的同學可以關注。?

官方主頁：http://textblob.readthedocs.org/en/dev/
Github代碼頁：https://github.com/sloria/textblob?

2.4 MBSP for Python

MBSP與Pattern同源，同出自比利時安特衛普大學CLiPS實驗室，提供了Word Tokenization, 句子切分，詞性標注，Chunking, Lemmatization，句法分析等基本的文本處理功能，感興趣的同學可以關注。

官方主頁：http://www.clips.ua.ac.be/pages/MBSP

2.5 Gensim: Topic modeling for humans

Gensim是一個相當專業的主題模型Python工具包，無論是代碼還是文檔，我們曾經用《如何計算兩個文檔的相似度》介紹過Gensim的安裝和使用過程，這里就不多說了。?

官方主頁：http://radimrehurek.com/gensim/index.html
github代碼頁：https://github.com/piskvorky/gensim?

2.6 langid.py: Stand-alone language identification system

語言檢測是一個很有意思的話題，不過相對比較成熟，這方面的解決方案很多，也有很多不錯的開源工具包，不過對于Python來說，我使用過langid這個工具包，也非常愿意推薦它。langid目前支持97種語言的檢測，提供了很多易用的功能，包括可以啟動一個建議的server，通過json調用其API，可定制訓練自己的語言檢測模型等，可以說是“麻雀雖小，五臟俱全”。

Github主頁：https://github.com/saffsd/langid.py

2.7 Jieba: 結巴中文分詞

“結巴”中文分詞：做最好的Python中文分詞組件 “Jieba” (Chinese for “to stutter”) Chinese text segmentation: built to be the best Python Chinese word segmentation module.
好了，終于可以說一個國內的Python文本處理工具包了：結巴分詞，其功能包括支持三種分詞模式（精確模式、全模式、搜索引擎模式），支持繁體分詞，支持自定義詞典等，是目前一個非常不錯的Python中文分詞解決方案。

Github主頁：https://github.com/fxsjy/jieba

3. Python科學計算工具包

說起科學計算，大家首先想起的是Matlab，集數值計算，可視化工具及交互于一身，不過可惜是一個商業產品。開源方面除了GNU Octave在嘗試做一個類似Matlab的工具包外，Python的這幾個工具包集合到一起也可以替代Matlab的相應功能：NumPy+SciPy+Matplotlib+iPython。同時，這幾個工具包，特別是NumPy和SciPy，也是很多Python文本處理 & 機器學習 & 數據挖掘工具包的基礎，非常重要。最后再推薦一個系列《用Python做科學計算》，將會涉及到NumPy, SciPy, Matplotlib，可以做參考。

3.1 NumPy

NumPy幾乎是一個無法回避的科學計算工具包，最常用的也許是它的N維數組對象，其他還包括一些成熟的函數庫，用于整合C/C++和Fortran代碼的工具包，線性代數、傅里葉變換和隨機數生成函數等。NumPy提供了兩種基本的對象：ndarray（N-dimensional array object）和 ufunc（universal function object）。ndarray是存儲單一數據類型的多維數組，而ufunc則是能夠對數組進行處理的函數。

官方主頁：http://www.numpy.org/

3.2 SciPy：Scientific Computing Tools for Python

“SciPy是一個開源的Python算法庫和數學工具包，SciPy包含的模塊有最優化、線性代數、積分、插值、特殊函數、快速傅里葉變換、信號處理和圖像處理、常微分方程求解和其他科學與工程中常用的計算。其功能與軟件MATLAB、Scilab和GNU Octave類似。 Numpy和Scipy常常結合著使用，Python大多數機器學習庫都依賴于這兩個模塊。”―-引用自“Python機器學習庫”

官方主頁：http://www.scipy.org/

3.3 Matplotlib

matplotlib 是python最著名的繪圖庫，它提供了一整套和matlab相似的命令API，十分適合交互式地進行制圖。而且也可以方便地將它作為繪圖控件，嵌入GUI應用程序中。Matplotlib可以配合ipython shell使用，提供不亞于Matlab的繪圖體驗，總之用過了都說好。

官方主頁：http://matplotlib.org/

4. Python 機器學習 & 數據挖掘 工具包

機器學習和數據挖掘這兩個概念不太好區分，這里就放到一起了。這方面的開源Python工具包有很多，這里先從熟悉的講起，再補充其他來源的資料，也歡迎大家補充。

4.1 scikit-learn: Machine Learning in Python

首先推薦大名鼎鼎的scikit-learn，scikit-learn是一個基于NumPy, SciPy, Matplotlib的開源機器學習工具包，主要涵蓋分類，回歸和聚類算法，例如SVM， 邏輯回歸，樸素貝葉斯，隨機森林，k-means等算法，代碼和文檔都非常不錯，在許多Python項目中都有應用。例如在我們熟悉的NLTK中，分類器方面就有專門針對scikit-learn的接口，可以調用scikit-learn的分類算法以及訓練數據來訓練分類器模型。

官方主頁：http://scikit-learn.org/

4.2 Pandas: Python Data Analysis Library

Pandas也是基于NumPy和Matplotlib開發的，主要用于數據分析和數據可視化，它的數據結構DataFrame和R語言里的data.frame很像，特別是對于時間序列數據有自己的一套分析機制，非常不錯。這里推薦一本書《Python for Data Analysis》，作者是Pandas的主力開發，依次介紹了iPython, NumPy, Pandas里的相關功能，數據可視化，數據清洗和加工，時間數據處理等，案例包括金融股票數據挖掘等，相當不錯。

官方主頁：http://pandas.pydata.org/

4.3 mlpy ?C Machine Learning Python

官方主頁：http://mlpy.sourceforge.net/

4.4 PyBrain

“PyBrain(Python-Based Reinforcement Learning, Artificial Intelligence and Neural Network)是Python的一個機器學習模塊，它的目標是為機器學習任務提供靈活、易應、強大的機器學習算法。（這名字很霸氣）

PyBrain正如其名，包括神經網絡、強化學習(及二者結合)、無監督學習、進化算法。因為目前的許多問題需要處理連續態和行為空間，必須使用函數逼近(如神經網絡)以應對高維數據。PyBrain以神經網絡為核心，所有的訓練方法都以神經網絡為一個實例。”

4.5 Theano?

“Theano 是一個 Python 庫，用來定義、優化和模擬數學表達式計算，用于高效的解決多維數組的計算問題。Theano的特點：緊密集成Numpy；高效的數據密集型GPU計算；高效的符號微分運算；高速和穩定的優化；動態生成c代碼；廣泛的單元測試和自我驗證。自2007年以來，Theano已被廣泛應用于科學運算。theano使得構建深度學習模型更加容易，可以快速實現多種模型。PS：Theano，一位希臘美女，Croton最有權勢的Milo的女兒，后來成為了畢達哥拉斯的老婆。”

4.6? Pylearn2

“Pylearn2建立在theano上，部分依賴scikit-learn上，目前Pylearn2正處于開發中，將可以處理向量、圖像、視頻等數據，提供MLP、RBM、SDA等深度學習模型。”

官方主頁：http://deeplearning.net/software/pylearn2/

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。