python數據後端技術棧

❶ Node.js VS python：優點、缺點和用例

在為後端開發選擇編程語言時，您的選擇決定了產品將如何操作、擴展和滿足用戶需求。

最常見的問題之一是 Node.js 與 Python 的兩難選擇 。 這兩個選項非常受歡迎，並且各有利弊。我們與兩者合作，並在這里比較它們的優缺點，並幫助您確定哪個更適合您的項目。

定義產品種類。 它是數據量大的應用程序還是以界面為中心的程序？它的功能主要是靜態的還是互動式的？在這個階段，分析你的競爭對手、市場和最終用戶的需求。

定義區域。 了解你的產品將在哪裡使用非常重要：在特定地區、全國或國際上。面積越大，你就越需要仔細考慮建築和技術解決方案。

進行市場調研。 獨特且不斷被要求是至關重要的。這意味著徹底的營銷研究，了解你的主要競爭對手，並擁有清晰的買家角色。

分析你的資源。 了解你擁有多少具有相關經驗的可用專家以及是否需要僱用外包開發人員的時刻。

明確主要績效標准。 沒有完美的後端開發工具。分析速度、安全性、交互性、響應性，並選擇其中哪些具有最高優先順序。

Python 是一種面向對象的動態語言，因其簡單的語法和通用性而備受推崇。Python 仍然是市場上最受歡迎的語言之一。

它的主要優點之一是支持多種編程風格，使其非常適合復雜的計算項目和簡單的網站。

Statista將 Python 定義為 2020 年最流行的編程語言。它被全球 29% 的開發人員使用。根據JetBrains 的研究，87% 了解 Python 的開發人員使用 Python 作為他們的主要編程語言，其中 27% 的人將 Python 用於 Web 開發，28% 用於機器學習，18% 用於數據分析。

Python 提供對 Berkeley 套接字 API 的訪問許可權。這是處理客戶端-伺服器網路的模塊。Python 提供了一個簡單而一致的 API，對應於這些系統調用的 C 等價物。Python 有一些類，可以更輕松地在其代碼中使用這些低級套接字方法。

動態和面向對象的語法允許 Python 開發人員花更少的時間處理復雜的代碼。許多軟體包、附加組件和庫提供了從最簡單的 Web 後端到復雜的科學計算的現成選項。

這些東西使 Python 成為開發 MVP和原型的完美決策。結果： 快速進入市場，同時支持各種迭代，以及高比例的重用代碼。

與其他語言和開發框架相比，Python 使用的代碼行更少。這不僅與數量有關，而且還使團隊工作時更容易理解代碼。 Python 允許程序員用幾行代碼表達復雜的想法。

Python 有一個特殊的好處，那就是經常使用英語術語而不是數學表達式。該代碼易於閱讀和理解。

Python 應對多種開發挑戰。盡管生態系統並不新鮮，但不斷添加新軟體包和附加組件使其保持相關性。目前，它是最適合人工智慧、計算機視覺、機器學習、數據科學、統計學和其他領域的語言之一。

Python 已經存在了一段時間，所以它圍繞自己建立了一個大社區。開發人員使用開源資源和教程，這使得專業成長和經驗交流更容易。

社區起初可能看起來並不重要，但它讓開發人員參與並更新。

如果你優先考慮高速，Python 將不是最佳選擇。Python 可以輕松處理密集型操作，但與其他語言相比，它需要更多時間。如果你需要運行多個請求，Node.js 的非同步輸入和輸出會更適合你。

移動應用程序的低性能是一個主要問題。如果後端在設計上很慢，那麼用戶體驗就會受到影響。

使 Python 代碼適應移動設備的另一個問題是它不能很好地與原生組件一起使用。如果你將不太兼容的代碼庫與低性能結合起來，你將遇到性能問題。

Node.js 是一個基於 javaScript 編程語言的後端開發運行時環境。

Node.js 使用非同步的、事件驅動的輸入輸出。它表明運行時環境可以同時處理多個請求，而不必等待前一個請求完成。

根據Statista的說法，Node.js 是最常用的編程框架。大約 53% 的開發人員在他們的項目中使用 Node.js。Twitter、Aliexpress、Coursera 和許多其他使用 Node.js 創建的巨頭。Netflix 和 Paypal 選擇 Node.js 來支持他們的微服務。它使他們能夠將啟動時間從 40 分鍾縮短到 1 分鍾。

Node.js 是一種允許您創建 WebSocket （一種允許實時雙向客戶端-伺服器網路的協議）的編程語言。在在線應用程序中，WebSockets 是 HTTP 通信的替代方案。一旦連接形成，通道就會保持打開狀態，從而實現高速連接，而客戶端-伺服器網路的延遲和開銷很小。聊天、在線多人 游戲 、Google 文檔和其他常見用例只是其中的幾個例子。

Node.js 的主要優勢是處理復雜的並發進程。大型公司之所以選擇它來為其基礎架構提供動力，是因為它具有快速處理大型工作負載的成熟能力。

選擇 Node.js 的主要原因是它的快速性能。它在單個 Node.js 伺服器上並行處理大量請求。

Node.js 使用 Google Chrome V8 引擎作為運行時環境來執行 JavaScript。該引擎使用即時編譯來處理 JavaScript 代碼並快速提供即時輸出。它使 Node.js 成為互動式開發的首選。

多虧了這一點，您可以獲得出色的用戶體驗，使 Node.js 成為實時應用程序、信使、 游戲 應用程序等的首選。

全棧 Web 開發是一種趨勢——Medium、Airbnb、Paypal、Netflix 等企業轉而使用 Node.js，在前端和後端開發中都使用 JavaScript。它保證：

在 Node.js 伺服器上的整個開發過程中重用 JavaScript 可以加快交付速度並簡化通信。當所有團隊成員都能理解代碼時，這是一個巨大的優勢。

Node.js 伺服器有很多 NPM 包。Netflix 和 Paypal 同時遷移到 Node.js 和微服務，取得了驚人的效果。他們擺脫了代碼重復，組織了架構，引入了額外的功能，並改善了用戶體驗。

Node.js 不能很好地處理復雜的操作。它的優點是可以快速處理多個簡單的請求，但是任何復雜的請求都會導致延遲。

假設您的應用程序必須運行復雜的操作。Node.js 不是一個好的選擇。有一些方法可以讓 Node.js 更好地處理復雜的任務，但默認功能並不完善。

該編程語言基於 NPM 模塊構建，它允許您擴展內置功能並創建幾乎任何東西。然而，一個特定的模塊可以獨立運行，但與系統的其餘部分不兼容。

一些 NPM 模塊可能不兼容，需要重新設置。如果你運行大型基礎架構，錯誤可能會導致崩潰。

Node.js 和 Python 堆棧是出色的後端，為開發人員提供了令人印象深刻的可能性。Python 擅長執行復雜的操作和支持創新，但它在速度上有所損失。Node.js 性能出眾，但不擅長處理復雜的操作。但決定取決於項目類型。

❷ 如何使用python爬取知乎數據並做簡單分析

一、使用的技術棧：
爬蟲：python27 +requests+json+bs4+time
分析工具： ELK套件
開發工具：pycharm
數據成果簡單的可視化分析
1.性別分布
0 綠色代表的是男性 ^ . ^
1 代表的是女性
-1 性別不確定
可見知乎的用戶男性頗多。
二、粉絲最多的top30
粉絲最多的前三十名：依次是張佳瑋、李開復、黃繼新等等，去知乎上查這些人，也差不多這個排名，說明爬取的數據具有一定的說服力。
三、寫文章最多的top30
四、爬蟲架構
爬蟲架構圖如下：
說明：
選擇一個活躍的用戶（比如李開復）的url作為入口url.並將已爬取的url存在set中。
抓取內容，並解析該用戶的關注的用戶的列表url，添加這些url到另一個set中，並用已爬取的url作為過濾。
解析該用戶的個人信息，並存取到本地磁碟。
logstash取實時的獲取本地磁碟的用戶數據，並給elsticsearchkibana和elasticsearch配合，將數據轉換成用戶友好的可視化圖形。
五、編碼
爬取一個url:
解析內容：
存本地文件：
代碼說明：
* 需要修改獲取requests請求頭的authorization。
* 需要修改你的文件存儲路徑。
源碼下載：點擊這里，記得star哦！https : // github . com/forezp/ZhihuSpiderMan六、如何獲取authorization
打開chorme，打開https : // www. hu .com/，
登陸，首頁隨便找個用戶，進入他的個人主頁，F12(或滑鼠右鍵，點檢查)七、可改進的地方
可增加線程池，提高爬蟲效率
存儲url的時候我才用的set(),並且採用緩存策略，最多隻存2000個url，防止內存不夠，其實可以存在redis中。
存儲爬取後的用戶我說採取的是本地文件的方式，更好的方式應該是存在mongodb中。
對爬取的用戶應該有一個信息的過濾，比如用戶的粉絲數需要大與100或者參與話題數大於10等才存儲。防止抓取了過多的僵屍用戶。
八、關於ELK套件
關於elk的套件安裝就不討論了，具體見官網就行了。網站：https : // www . elastic . co/另外logstash的配置文件如下：
從爬取的用戶數據可分析的地方很多，比如地域、學歷、年齡等等，我就不一一列舉了。另外，我覺得爬蟲是一件非常有意思的事情，在這個內容消費升級的年代，如何在廣闊的互聯網的數據海洋中挖掘有價值的數據，是一件值得思考和需不斷踐行的事情。

❸ 學python好還是java好

Java和python猶如北喬峰南慕容，競爭不相上下。如果有能力同時學習那再好不過了，但很多剛剛接觸IT行業的小夥伴在學習初期學習困難較大，還是要兩者擇其優。
下面是python和Java兩個編程語言的對比分析，大家可以酌情參考一下，依據自己的需求來定奪自己要學習哪一門語言。

1、運行速度
Java是靜態語言靜態編譯的，速度上要比Python快的很多，而Python動態類型語言，一邊執行一邊編譯，速度要上慢一些。
2、對Legacy代碼的支持
對於legacy代碼的支持，由於Java大量的用於電商，互聯網後端，銀行等大型系統，所以對於legacy的代碼的數量要遠大於Python。而Python要更輕量級一些，沒有那麼多legacy的問題。尤其是Py3即將全面推廣，Py2要退出歷史舞台。
3、代碼開發效率
Python代碼開發效率非常高，同樣的函數功能，Java需要十幾行，Python只要幾行，代碼數量要遠小於Java，這樣開發的時間和效率比Java高很多。
4、資料庫的支持
Java跟資料庫結合更緊密一些，有大量的資料庫支持Java，類似JDBC這樣的封裝，使得的Java使用資料庫更容易。Python雖然沒有他倆關系那麼鐵，但是目前支持Python的資料庫也非常多，而且很多主流資料庫SQL，Mongodb，Redis都有API支持Python， 可以說Python不缺的就是庫。
5、應用領域
Java主要的戰場是在Android手機開發和Web後端開發，而Python主要應用在數據科學，機器學習，人工智慧領域和IOT。可以說兩個都是各自領域的霸主，但是隨著谷歌扶植Kotlin來取代Java，而後端開發NodeJS強勢崛起，所以Java的後端開發霸主地位正在被挑戰。
6、薪資收入
月薪收入Python略勝一籌，主要是因為人工智慧太火了，起步價都在30k左右，所以應屆生的薪資要高於Java。但是對於資深工程師來說，就不一定嘍。
6年以上的資深工程師，明顯Java程序員的薪資要比Python高一些，但是也只是略高一點點。一個月都是60多K，這個收入還是很誘人的，國內應該沒有這么高。
7、語法
Python的語法應該是選勝於Java，簡潔優美，而且庫非常非常多。如果上手學Python，Python的學習成本和難度要低很多，這也是為什麼很多學生的首選語言都是Python。
所以綜合來看，Python是一門上手非常快，容易學的語言，如果選擇人工智慧，機器學習，Python可以成為你的選擇。如果你從來沒有學過編程也建議你先學Python比較好一點。
而對於後端開發Java目前更占優勢，因為legacy的後端市場java的份額比較大，但是對於小公司或者創業公司，後端市場Django，NodeJS也是非常有競爭力的。

❹ python常用到哪些庫

Python作為一個設計優秀的程序語言，現在已廣泛應用於各種領域，依靠其強大的第三方類庫，Python在各個領域都能發揮巨大的作用。
下面我們就來看一下python中常用到的庫：
數值計算庫：
1. NumPy
支持多維數組與矩陣運算，也針對數組運算提供大量的數學函數庫。通常與SciPy和Matplotlib一起使用，支持比Python更多種類的數值類型，其中定義的最重要的對象是稱為ndarray的n維數組類型，用於描述相同類型的元素集合，可以使用基於0的索引訪問集合中元素。
2. SciPy
在NumPy庫的基礎上增加了眾多的數學、科學及工程計算中常用的庫函數，如線性代數、常微分方程數值求解、信號處理、圖像處理、稀疏矩陣等，可進行插值處理、信號濾波，以及使用C語言加速計算。
3. Pandas
基於NumPy的一種工具，為解決數據分析任務而生。納入大量庫和一些標準的數據模型，提供高效地操作大型數據集所需的工具及大量的能快速便捷處理數據的函數和方法，為時間序列分析提供很好的支持，提供多種數據結構，如Series、Time-Series、DataFrame和Panel。
數據可視化庫：
4. Matplotlib
第一個Python可視化庫，有許多別的程序庫都是建立在其基礎上或者直接調用該庫，可以很方便地得到數據的大致信息，功能非常強大，但也非常復雜。
5. Seaborn
利用了Matplotlib，用簡潔的代碼來製作好看的圖表。與Matplotlib最大的區別為默認繪圖風格和色彩搭配都具有現代美感。
6. ggplot
基於R的一個作圖庫ggplot2，同時利用了源於《圖像語法》（The Grammar of Graphics）中的概念，允許疊加不同的圖層來完成一幅圖，並不適用於製作非常個性化的圖像，為操作的簡潔度而犧牲了圖像的復雜度。
7. Bokeh
跟ggplot一樣，Bokeh也基於《圖形語法》的概念。與ggplot不同之處為它完全基於Python而不是從R處引用。長處在於能用於製作可交互、可直接用於網路的圖表。圖表可以輸出為JSON對象、HTML文檔或者可交互的網路應用。
8. Plotly
可以通過Python notebook使用，與Bokeh一樣致力於交互圖表的製作，但提供在別的庫中幾乎沒有的幾種圖表類型，如等值線圖、樹形圖和三維圖表。
9. pygal
與Bokeh和Plotly一樣，提供可直接嵌入網路瀏覽器的可交互圖像。與其他兩者的主要區別在於可將圖表輸出為SVG格式，所有的圖表都被封裝成方法，且默認的風格也很漂亮，用幾行代碼就可以很容易地製作出漂亮的圖表。
10. geoplotlib
用於製作地圖和地理相關數據的工具箱。可用來製作多種地圖，比如等值區域圖、熱度圖、點密度圖。必須安裝Pyglet（一個面向對象編程介面）方可使用。
11. missingno
用圖像的方式快速評估數據缺失的情況，可根據數據的完整度對數據進行排序或過濾，或者根據熱度圖或樹狀圖對數據進行修正。
web開發庫：
12. Django
一個高級的Python Web框架，支持快速開發，提供從模板引擎到ORM所需的一切東西，使用該庫構建App時，必須遵循Django的方式。
13. Socket
一個套接字通訊底層庫，用於在伺服器和客戶端間建立TCP或UDP連接，通過連接發送請求與響應。
14. Flask
一個基於Werkzeug、Jinja 2的Python輕量級框架（microframework），默認配備Jinja模板引擎，也包含其他模板引擎或ORM供選擇，適合用來編寫API服務（RESTful rervices）。
15. Twisted
一個使用Python實現的基於事件驅動的網路引擎框架，建立在deferred object之上，一個通過非同步架構實現的高性能的引擎，不適用於編寫常規的Web Apps，更適用於底層網路。
資料庫管理：

16. MySQL-python
又稱MySQLdb，是Python連接MySQL最流行的一個驅動，很多框架也基於此庫進行開發。只支持Python 2.x，且安裝時有許多前置條件。由於該庫基於C語言開發，在Windows平台上的安裝非常不友好，經常出現失敗的情況，現在基本不推薦使用，取代品為衍生版本。
17. mysqlclient
完全兼容MySQLdb，同時支持Python 3.x，是Django ORM的依賴工具，可使用原生SQL來操作資料庫，安裝方式與MySQLdb一致。
18. PyMySQL
純Python實現的驅動，速度比MySQLdb慢，最大的特點為安裝方式簡潔，同時也兼容MySQL-python。
19. SQLAlchemy
一種既支持原生SQL，又支持ORM的工具。ORM是Python對象與資料庫關系表的一種映射關系，可有效提高寫代碼的速度，同時兼容多種資料庫系統，如SQLite、MySQL、PostgreSQL，代價為性能上的一些損失。
自動化運維：
20. jumpsever跳板機
一種由Python編寫的開源跳板機（堡壘機）系統，實現了跳板機的基本功能，包含認證、授權和審計，集成了Ansible、批量命令等。
支持WebTerminal Bootstrap編寫，界面美觀，自動收集硬體信息，支持錄像回放、命令搜索、實時監控、批量上傳下載等功能，基於SSH協議進行管理，客戶端無須安裝agent。主要用於解決可視化安全管理，因完全開源，容易再次開發。
21. Mage分布式監控系統
一種用Python開發的自動化監控系統，可監控常用系統服務、應用、網路設備，可在一台主機上監控多個不同服務，不同服務的監控間隔可以不同，同一個服務在不同主機上的監控間隔、報警閾值可以不同，並提供數據可視化界面。
22. Mage的CMDB
一種用Python開發的硬體管理系統，包含採集硬體數據、API、頁面管理3部分功能，主要用於自動化管理筆記本、路由器等常見設備的日常使用。由伺服器的客戶端採集硬體數據，將硬體信息發送至API，API負責將獲取的數據保存至資料庫中，後台管理程序負責對伺服器信息進行配置和展示。
23. 任務調度系統
一種由Python開發的任務調度系統，主要用於自動化地將一個服務進程分布到其他多個機器的多個進程中，一個服務進程可作為調度者依靠網路通信完成這一工作。
24. Python運維流程系統
一種使用Python語言編寫的調度和監控工作流的平台，內部用於創建、監控和調整數據管道。允許工作流開發人員輕松創建、維護和周期性地調度運行工作流，包括了如數據存儲、增長分析、Email發送、A/B測試等諸多跨多部門的用例。
GUI編程：
25. Tkinter
一個Python的標准GUI庫，可以快速地創建GUI應用程序，可以在大多數的UNIX平台下使用，同樣可以應用在Windows和Macintosh系統中，Tkinter 8.0的後續版本可以實現本地窗口風格，並良好地運行在絕大多數平台中。
26. wxPython
一款開源軟體跨平台GUI庫wxWidgets的Python封裝和Python模塊，是Python語言的一套優秀的GUI圖形庫，允許程序員很方便地創建完整的、功能健全的GUI用戶界面。
27. PyQt
一個創建GUI應用程序的工具庫，是Python編程語言和Qt的成功融合，可以運行在所有主要操作系統上，包括UNIX、Windows和Mac。PyQt採用雙許可證，開發人員可以選擇GPL和商業許可，從PyQt的版本4開始，GPL許可證可用於所有支持的平台。
28. PySide
一個跨平台的應用程式框架Qt的Python綁定版本，提供與PyQt類似的功能，並相容API，但與PyQt不同處為其使用LGPL授權。
更多Python知識請關注Python自學網。

❺ Python 最重要的庫都有哪些

第一、NumPy

NumPy是Numerical
Python的簡寫，是Python數值計算的基石。它提供多種數據結構、演算法以及大部分涉及Python數值計算所需的介面。NumPy還包括其他內容：

①快速、高效的多維數組對象ndarray

②基於元素的數組計算或數組間數學操作函數

③用於讀寫硬碟中基於數組的數據集的工具

④線性代數操作、傅里葉變換以及隨機數生成

除了NumPy賦予Python的快速數組處理能力之外，NumPy的另一個主要用途是在演算法和庫之間作為數據傳遞的數據容器。對於數值數據，NumPy數組能夠比Python內建數據結構更為高效地存儲和操作數據。

第二、pandas

pandas提供了高級數據結構和函數，這些數據結構和函數的設計使得利用結構化、表格化數據的工作快速、簡單、有表現力。它出現於2010年，幫助Python成為強大、高效的數據分析環境。常用的pandas對象是DataFrame，它是用於實現表格化、面向列、使用行列標簽的數據結構;以及Series，一種一維標簽數組對象。

pandas將表格和關系型資料庫的靈活數據操作能力與Numpy的高性能數組計算的理念相結合。它提供復雜的索引函數，使得數據的重組、切塊、切片、聚合、子集選擇更為簡單。由於數據操作、預處理、清洗在數據分析中是重要的技能，pandas將是重要主題。

第三、matplotlib

matplotlib是最流行的用於制圖及其他二維數據可視化的Python庫，它由John D.
Hunter創建，目前由一個大型開發者團隊維護。matplotlib被設計為適合出版的制圖工具。

對於Python編程者來說也有其他可視化庫，但matplotlib依然使用最為廣泛，並且與生態系統的其他庫良好整合。

第四、IPython

IPython項目開始於2001年，由Fernando
Pérez發起，旨在開發一個更具交互性的Python解釋器。在過去的16年中，它成為Python數據技術棧中最重要的工具之一。

盡管它本身並不提供任何計算或數據分析工具，它的設計側重於在交互計算和軟體開發兩方面將生產力最大化。它使用了一種執行-探索工作流來替代其他語言中典型的編輯-編譯-運行工作流。它還提供了針對操作系統命令行和文件系統的易用介面。由於數據分析編碼工作包含大量的探索、試驗、試錯和遍歷，IPython可以使你更快速地完成工作。

第五、SciPy

SciPy是科學計算領域針對不同標准問題域的包集合。以下是SciPy中包含的一些包：

①scipy.integrate數值積分常式和微分方程求解器

②scipy.linalg線性代數常式和基於numpy.linalg的矩陣分解

③scipy.optimize函數優化器和求根演算法

④scipy.signal信號處理工具

⑤scipy.sparse稀疏矩陣與稀疏線性系統求解器

SciPy與Numpy一起為很多傳統科學計算應用提供了一個合理、完整、成熟的計算基礎。

第六、scikit-learn

scikit-learn項目誕生於2010年，目前已成為Python編程者首選的機器學習工具包。僅僅七年，scikit-learn就擁有了全世界1500位代碼貢獻者。其中包含以下子模塊：

①分類：SVM、最近鄰、隨機森林、邏輯回歸等

②回歸：Lasso、嶺回歸等

③聚類：K-means、譜聚類等

④降維：PCA、特徵選擇、矩陣分解等

⑤模型選擇：網格搜索、交叉驗證、指標矩陣

⑥預處理：特徵提取、正態化

scikit-learn與pandas、statsmodels、IPython一起使Python成為高效的數據科學編程語言。

❻ 學python可以做什麼

1WEB開發

在國內，豆瓣一開始就使用Python作為web開發基礎語言，知乎的整個架構也是基於Python語言，這使得web開發這塊在國內發展的很不錯。

盡管目前Python並不是做Web開發的首選，但一直都佔有不可忽視的一席。Python中有各類Web框架，無論是簡單而可以自由搭配的微框架還是全功能的大型MVC框架都一應俱全，這在需要敏捷開發的Web項目中也是十分具有優勢的。廣泛使用（或曾經廣泛使用）Python提供的大型Web服務包括知乎、豆瓣、Dropbox等網站。加之Python本身的「膠水」特性，很容易實現在需要大規模性能級計算時整合其它語言，同時保留Web開發時的輕便快捷。

除此之外，Python中還有大量「開箱即用」的模塊，用於與各種其它網站的對接等相關功能。如果希望開發個微信公眾號相關功能，wechat-sdk/weixin-python等包，能夠使你幾乎完全不用管文檔中提及的各種伺服器交互細節，專注於功能實現即能完成開發。

目前，國內的Python web開發主要有兩個技術棧：

（1）Django

Django是一個高級的敏捷web開發框架，如果學會了，擼一個網站很快。當然如果純粹比擼網站的速度，基於ruby的Ruby on rails顯然更快，但是Django有一個優勢就是性能優秀，更適合國內網站的應用場景。國外的著名圖片社區Pinterest早期也是基於Django開發的，承受了用戶快速增長的沖擊。所以說如果你想快速開發一個網站，還能兼顧APP客戶端的API調用需求，Django是可以信賴的。

（2）Flask

相對於Django，Flask則是一個輕量級的web框架，Flask的最大的優勢是性能優越，適合配合手機客戶端開發後台API服務。國內基於Flask的Restful API服務這快很火，也是需求最大的。知名的比如網路、網易、小米、陌陌等等很多公司都有基於Flask的應用部署。當然，如果你想做一個傳統的web網站，還是建議使用Django，Flask的優勢是後端、API，不適合構建全功能網站。

2網路爬蟲

網路爬蟲是Python比較常用的一個場景，國際上，google在早期大量地使用Python語言作為網路爬蟲的基礎，帶動了整個Python語言的應用發展。以前國內很多人用採集器搜刮網上的內容，現在用Python收集網上的信息比以前容易很多了。

Python在這個方面有許多工具上的積累，無論是用於模擬HTTP請求的Requests、用於HTML DOM解析的PyQuery/BeautifulSoup、用於自動化分布式爬取任務的Scrapy，還是用於最簡化資料庫訪問的各種ORM，都使得Python成為數據爬取的首選語言之一。特別是，爬取後的數據分析與計算是Python最為擅長的領域，非常容易整合。目前Python比較流行的網路爬蟲框架是功能非常強大的scrapy。

3人工智慧與機器學習

人工智慧是現在非常火的一個方向，AI熱潮讓Python語言的未來充滿了無限的潛力。現在釋放出來的幾個非常有影響力的AI框架，大多是Python的實現，為什麼呢？

因為Python足夠動態、具有足夠性能，這是AI技術所需要的技術特點。比如基於Python的深度學習庫、深度學習方向、機器學習方向、自然語言處理方向的一些網站基本都是通過Python來實現的。機器學習，尤其是現在火爆的深度學習，其工具框架大都提供了Python介面。Python在科學計算領域一直有著較好的聲譽，其簡潔清晰的語法以及豐富的計算工具，深受此領域開發者喜愛。

6桌面程序

Python也可以用於桌面軟體開發（如sublime text等），甚至移動端開發（參看kivy）。Python簡潔方便，各種工具包齊全的環境，能大幅度減少開發者的負擔。著名的UI框架QT有Python語言的實現版本PyQT。Python簡單易用的特性加上QT的優雅，可以很輕松的開發界面復雜的桌面程序，並且能輕松實現跨平台特性。

7多媒體應用

可以用Python裡面的PIL、Piddle、ReportLab 等模塊對圖象、聲音、視頻、動畫等進行處理，還可以用Python生成動態圖表和統計分析圖表。另外，還可以利用PyOpenGl模塊非常快速有效的編寫出三維場景。

❼ 學python最想要提升的是哪些地方

Python是一門編程語言，是一個較為方便地解決問題的工具。那麼具體提升取決於你未來的崗位。

後台工程師/架構師

如果你的崗位是後台工程師，那麼你要提升的是後台整體技術棧(mysql，redis，消息隊列，多線程），系統設計和針對具體問題提出解決方案的能力。同時你要掌握工程的最佳實踐，例如ci/cd等等。

數據工程師

如果你的崗位是數據工程師，那你需要把python數據處理的常見庫做到精通，你需要了解各個領域的數據處理流程和特性，你需要掌握最近的技術進展

演算法工程師

如果你是演算法工程師，此時Python只是眾多工具中的一個工具而已。如果你是科研方向，你要研究模型和理論本身，此時和語言沒關系了。如果是應用向，即用演算法解決具體的問題，那麼你要提升的是對問題的理解和建模能力，需要提升的是對每一個模型或者演算法的理解深度，在解決實際問題時，要能夠用最合適的演算法解決具體問題。

綜上，Python只是一個具體的工具，本質上要提升的是學習和解決問題的能力。

希望對你有用。

❽ python技術棧

基礎庫

 

Numpy：矩陣計算與其它大多數框架的數據處理基礎；

Scipy：科學計算庫，提供了很多科學計算工具包和演算法；

Matplotlab：專業畫圖工具，話說這個單詞還是真是在Matlab之間插入了plot這個詞形成的；

Pandas：提供類似於R語言的DataFrame操作，非常方便；

機器學習與深度學習

 

OpenCV：提供圖像識別的很多方便的操作；

Orange：基於圖形界面的機器學習程序，也可以用Python腳本來操作調用；

Scikit-Learn：前面說了，這是Python在機器學習領域裡面的代表作。尤其是它的文檔，完全可以當成機器學習的參考資料來閱讀了，曾經我向朋友推薦的時候說，說過，把scikit-learn的文檔當成佛經來讀，假以時日，功力定會大增。

Theano：深度學習裡面非常有名的一個框架了，也非常具有代表性。是其它很多框架的基礎。

Keras：基於Theano進行了抽象，建議入門的話使用這個，搭積木一樣地就可以弄個神經網路出來了。

NLTK：自然語言處理，提供的功能也很強大。

國內出品的Mxnet的Python介面

分布式機器學習與深度學習

 

Spark之MLlib的Python介面Pyspark

H2o的Python介面

收費的Graph Create的Python介面

Google最近剛出的TensorFlow的Python介面

三星最近剛出的Veles，目前只提供Python介面

❾ 什麼是Python全棧工程師

全棧工程師是指掌握多種技能，並能利用多種技能獨立完成產品的人。也叫全端工程師，英文Full Stack
developer。
當下全棧工程師的概念很火，而Python是一種全棧的開發語言，所以你如果能學好Python，那麼前端，後端，測試，大數據分析，爬蟲等這些工作你都能勝任。