python 快速搭建网站

大家好，今天小编关注到一个比较有意思的话题，就是关于python 快速搭建网站的问题，于是小编就整理了3个相关介绍python 快速搭建网站的解答，让我们一起看看吧。

1. go和python语言建网站不需要web服务器吗？
2. 如何用Python搭建一个网站？
3. 如何利用Python抓取静态网站及其内部资源？

go和python语言建网站不需要web服务器吗？

Web服务器也是一个应用程序，这个应用程序打开了TCP的80端口，通过HTTP协议和浏览器交互。

Python和Go有非常成熟的类库，可以用很短的程序来实现一个Web服务器的功能（打开80端口通过HTTP协议与浏览器交互）。基本上任何服务器端的语言都可以编写一个Web服务器，但是Python和Go更容易实现。Web服务器也是一个应用程序，这个应用程序打开了TCP的80端口，通过HTTP协议和浏览器交互。Python和Go有非常成熟的类库，可以用很短的程序来实现一个Web服务器的功能（打开80端口通过HTTP协议与浏览器交互）。可以这样说，基本上任何服务器端的语言都可以编写一个Web服务器，但是Python和Go更容易实现。Web服务器也是一个应用程序，这个应用程序打开了TCP的80端口，通过HTTP协议和浏览器交互。Python和Go有非常成熟的类库，可以用很短的程序来实现一个Web服务器的功能（打开80端口通过HTTP协议与浏览器交互）。可以这样说，基本上任何服务器端的语言都可以。

如何用Python搭建一个网站？

Python搭建网站，利用现成的框架还是挺简单的。在这里举一个例子-利用Flask搭建一个网站。

Flask

Flask是一个使用 Python 编写的轻量级 Web 应用框架。其 WSGI 工具箱采用 Werkzeug ，模板引擎则使用 Jinja2 。Flask创建一个应用很简单，只需要一行代码就可以创建一个应用。一个最小的应用看起来像这样:

直接执行python hello.py，就可以看到页面就可以访问了，这只是官方给出的一个示例，方便学习。

应用初始化

所有 Flask 程序都必须创建一个程序实例。 Web 服务器使用一种名为 Web 服务器网关接口（Web Server Gateway Interface， WSGI）的协议，把接收自客户端的所有请求都转交给这个对象处理。程序实例是 Flask 类的对象，经常使用下述代码创建：

Flask 类的构造函数只有一个必须指定的参数，即程序主模块或包的名字。在大多数程序中， Python 的 __name__ 变量就是所需的值。

路由和视图函数

客户端（例如 Web 浏览器）把请求发送给 Web 服务器， Web 服务器再把请求发送给 Flask程序实例。程序实例需要知道对每个 URL 请求运行哪些代码，所以保存了一个 URL 到Python 函数的映射关系。处理 URL 和函数之间关系的程序称为路由。在 Flask 程序中定义路由的最简便方式，是使用程序实例提供的 app.route 修饰器，把修饰的函数注册为路由。下面的例子说明了如何使用这个修饰器声明路由：

index() 函数注册为程序根地址的处理程序。如果部署程序的服务器域名为 www.example.com，在浏览器中访问 后， 会触发服务器执行 index() 函数。这个函数的返回值称为响应，是客户端接收到的内容。如果客户端是 Web 浏览器， 响应就是显示给用户查看的文档。

启动服务器

程序实例用 run 方法启动 Flask 集成的开发 Web 服务器：

__name__=='__main__' 是 Python 的惯常用法，在这里确保直接执行这个脚本时才启动开发Web 服务器。 如果这个脚本由其他脚本引入，程序假定父级脚本会启动不同的服务器，因此不会执行 app.run()。服务器启动后， 会进入轮询，等待并处理请求。轮询会一直运行，直到程序停止，比如按Ctrl-C 键。

Flask开发的网站实例

• 本示例中网站的结构如下

• 启动服务器界面

• 访问WEB页面
  

整个是利用Flask自己搭建的一个WEB页面，数据库试过mysql和mongodb都可以正常访问。整体感觉Flask的学习成本会比Django低，而且也比Django更灵活。

如何利用Python抓取静态网站及其内部资源？

这个非常简单，requests+BeautifulSoup组合就可以轻松实现，下面我简单介绍一下，感兴趣的朋友可以自己尝试一下，这里以爬取糗事百科网站数据（静态网站）为例：

1.首先，安装requets模块，这个直接在cmd窗口输入命令“pip install requests”就行，如下：

2.接着安装bs4模块，这个模块包含了BeautifulSoup，安装的话，和requests一样，直接输入安装命令“pip install bs4”即可，如下：

3.最后就是requests+BeautifulSoup组合爬取糗事百科，requests用于请求页面，BeautifulSoup用于解析页面，提取数据，主要步骤及截图如下：

• 这里假设爬取的数据包含如下几个字段，包括用户昵称、内容、好笑数和评论数：

• 接着打开对应网页源码，就可以直接看到字段信息，内容如下，嵌套在各个标签中，后面就是解析这些标签提取数据：

• 基于上面网页内容，测试代码如下，非常简单，直接find对应标签，提取文本内容即可：

程序运行截图如下，已经成功抓取到网站数据：

至此，我们就完成了使用python来爬去静态网站。总的来说，整个过程非常简单，也是最基本的爬虫内容，只要你有一定的python基础，熟悉一下上面的示例，很快就能掌握的，当然，你也可以使用urllib，正则表达式匹配等，都行，网上也有相关教程和资料，介绍的非常详细，感兴趣的话，可以搜一下，希望以上分享的内容能对你有所帮助吧，也欢迎大家评论、留言进行补充。

这次分享一个房地产网站数据采集及可视化分析的Python实际案例，应用效果还是有，步骤如下：

1、获取目标网站

2、分析网站，确定数据采集的方法

3、对采集的数据进行处理

4、最后可视化

先看看最终效果：

首先获取目标网站，可以发现获取的数据信息都在网页上面，所以可以直接使用xpath标签定位获取网页上的数据，而不用担心动态网页的数据会出现变化：

然后获取各个采集字段的具体xpath，包括房源信息、房价、地区、建面（面积）等字段的xpa，部分代码如下：

fymc=n.xpath('./div/div[1]/a/text()')[0]#房源名称 fj=n.xpath('./div/div[6]/div/span[1]/text()')[0]#房价 diqu=n.xpath('./div/div[2]/span[1]/text()')[0]#地区 mj=n.xpath('./div/div[3]/span/text()')[0]

然后我们要爬取页数要设置，可以看到页数链接明显出现变化，而且还是规律性的，所以可以构造一个循环采集指定页数的信息（也就是翻页采集），部分代码如下：

for i in range(1,6): url='https://nn.fang.lianjia.com/loupan/pg'+str(i) #print(url)

翻页采集搞定了，接下来就是数据处理，先判断采集的数据有没有空值或者缺失值，就必须使用numpy和pandas这两个模块进行数据处理，部分代码如下：

data=pd.read_csv(r'C:/Users/Administrator/Desktop/链家数据.csv',encoding='gbk') #data.describe()#做描述性分析，判断有没有空值或者缺失值

然后查看采集的数据发现，建面面积这个字段既有中文又有数字和特殊符号，我们要对这个字段进行拆分，拆分为最大面积和最小面积，代码如下：

data['最小面积']=data['面积'].str.split(expand=True)[1].str.split('-',expand=True)[0] data['最大面积']=data['面积'].str.split(expand=True)[1].str.split('-',expand=True)[1].str.split('㎡',expand=True)[0] data=data.drop('面积',axis=1)

处理完采集的数据，接下来就是对数据进行可视化，可视化就用到matplotlib这个模块，我们用了三个图去可视化数据，包括折线图、饼图、条形图，部分代码如下：

#制作可视化图表 plt.figure(figsize=(10,8)) plt.suptitle("南宁房价可视化分析",fontsize=20) plt.subplot(2,2,1) #不同地区的房源数量--饼图 plt.title('不同地区的房源数量占比--饼图') explode=[0,0,0,0,0.2,0] plt.pie(x=data.地区.value_counts(),labels=data.地区.value_counts().index, explode=explode,autopct='%.3f%%') plt.subplot(2,2,2) plt.title('不同地区的房源数量--条形图') plt.ylim(0,20) x=data.地区.value_counts().index y=data.地区.value_counts() plt.bar(x=x,height=y,width=0.5) for a,b in zip(x,y): plt.text(a,b+0.2,str(b),ha='center',va='bottom',fontsize=10.5,color='green') plt.subplot(2,1,2) plt.title('不同地区平均房价——折线图') plt.ylim(0,30000) qingxiu=int(data[data['地区']=="青秀区"].房价.mean()) xixiangtang=int(data[data['地区']=="西乡塘区"].房价.mean()) xingning=int(data[data['地区']=="兴宁区"].房价.mean()) liangqing=int(data[data['地区']=="良庆区"].房价.mean()) yongning=int(data[data['地区']=="邕宁区"].房价.mean()) dq=['青秀区','西乡塘区','兴宁区','良庆区','邕宁区'] mean_fj=[qingxiu,xixiangtang,xingning,liangqing,yongning] #折线图# plt.plot(dq,mean_fj,label='不同地区平均房价') for a,b in zip(dq,mean_fj): plt.text(a,b+0.2,str(b),ha='center',va='top',fontsize=10.5) plt.legend(loc=1,fontsize=13) plt.show()

最后不多说了，附上完整代码：

import requests from lxml import etree import csv import pandas as pd import matplotlib.pyplot as plt from pylab import mpl import time with open('C:/Users/Administrator/Desktop/链家数据.csv','w',encoding='gbk') as f: f.write('房源名称,房价,地区,面积\n') f.close() for i in range(1,6): url='https://nn.fang.lianjia.com/loupan/pg'+str(i) #print(url) headers={ 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36' } r=requests.get(url,headers=headers).content b=etree.HTML(r) c=b.xpath('/html/body/div[3]/ul[2]/li') try: for n in c: fymc=n.xpath('./div/div[1]/a/text()')[0]#房源名称 fj=n.xpath('./div/div[6]/div/span[1]/text()')[0]#房价 diqu=n.xpath('./div/div[2]/span[1]/text()')[0]#地区 mj=n.xpath('./div/div[3]/span/text()')[0] with open('C:/Users/Administrator/Desktop/链家数据.csv','a',encoding='gbk') as f1: f1.write('{},{},{},{}\n'.format(fymc,fj,diqu,mj)) print("数据爬取成功！") except: pass time.sleep(20) mpl.rcParams['font.sans-serif']=['SimHei'] mpl.rcParams['axes.unicode_minus']=False data=pd.read_csv(r'C:/Users/Administrator/Desktop/链家数据.csv',encoding='gbk') #数据处理，拆分面积字段为两列数据，最小面积和最大面积 #data.describe() data['最小面积']=data['面积'].str.split(expand=True)[1].str.split('-',expand=True)[0] data['最大面积']=data['面积'].str.split(expand=True)[1].str.split('-',expand=True)[1].str.split('㎡',expand=True)[0] data=data.drop('面积',axis=1) #制作可视化图表 plt.figure(figsize=(10,8)) plt.suptitle("南宁房价可视化分析",fontsize=20) plt.subplot(2,2,1) #不同地区的房源数量--饼图 plt.title('不同地区的房源数量占比--饼图') explode=[0,0,0,0,0.2,0] plt.pie(x=data.地区.value_counts(),labels=data.地区.value_counts().index, explode=explode,autopct='%.3f%%') plt.subplot(2,2,2) plt.title('不同地区的房源数量--条形图') plt.ylim(0,20) x=data.地区.value_counts().index y=data.地区.value_counts() plt.bar(x=x,height=y,width=0.5) for a,b in zip(x,y): plt.text(a,b+0.2,str(b),ha='center',va='bottom',fontsize=10.5,color='green') plt.subplot(2,1,2) plt.title('不同地区平均房价——折线图') plt.ylim(0,30000) qingxiu=int(data[data['地区']=="青秀区"].房价.mean()) xixiangtang=int(data[data['地区']=="西乡塘区"].房价.mean()) xingning=int(data[data['地区']=="兴宁区"].房价.mean()) liangqing=int(data[data['地区']=="良庆区"].房价.mean()) yongning=int(data[data['地区']=="邕宁区"].房价.mean()) dq=['青秀区','西乡塘区','兴宁区','良庆区','邕宁区'] mean_fj=[qingxiu,xixiangtang,xingning,liangqing,yongning] #折线图# plt.plot(dq,mean_fj,label='不同地区平均房价') for a,b in zip(dq,mean_fj): plt.text(a,b+0.2,str(b),ha='center',va='top',fontsize=10.5) plt.legend(loc=1,fontsize=13) plt.show()

到此，以上就是小编对于python 快速搭建网站的问题就介绍到这了，希望介绍关于python 快速搭建网站的3点解答对大家有用。