尋找最優路徑演算法python

❶ python瀹炵幇TSP闂棰樼殑妗堜緥

import math

from os import path

import numpy as np

import matplotlib.pyplot as plt

class TSPInstance:

    '''

    璁捐′竴涓綾伙紝瀹炵幇浠庢枃浠惰誨叆涓涓鏃呰屽晢闂棰樼殑瀹炰緥

    鏂囦歡鏍煎紡涓猴細

    city number

    best known tour length

    list of city position (index x y)

    best known tour (city index starts from 1)

    浠ユ枃浠01eil51.txt涓轟緥錛

    絎涓琛51涓哄煄甯傛暟

    絎浜岃426涓烘渶浼樿В鐨勮礬寰勯暱搴

    絎涓夎屽紑濮嬬殑51琛屼負鍚勪釜鍩庡競鐨勫簭鍙楓亁鍧愭爣鍜寉鍧愭爣

    鏈鍚庢槸鏈浼樿В鐨勮塊棶鍩庡競緋誨垪錛堟敞鎰忛噷闈㈠煄甯傚簭鍙蜂粠1寮濮嬶紝鑰宲ython鐨剆equence鏄浠0寮濮嬶級

    Eil51Tour.png鏄鏈浼樿В鐨勫煄甯傝塊棶欏哄簭鍥

    '''

    def __init__(self, file_name):

        '''

        浠庢枃浠秄ile_name璇誨叆鏃呰屽晢闂棰樼殑鏁版嵁

        '''

        self.file_name=file_name

        a= open(file_name)

        # 鍩庡競鏁伴噺

        self.city_num = a.readline()

        # 榪斿洖鍧愭爣 51琛岋紝3鍒

        self.city = np.zeros((int(self.city_num), 3))

        # x鍧愭爣

        self.x = np.zeros(int(self.city_num))

        # y鍧愭爣

        self.y = np.zeros(int(self.city_num))

        # 鍩庡競ID

        self.id = np.zeros(int(self.city_num))

        b = a.readlines()

        for i, content in enumerate(b):

                if i in range(1, 52 ):

                    # 鍗曡岃祴鍊

                    self.city[i-1] = content.strip('\n').split(' ')

                    self.x[i-1] = self.city[i-1][1]

                    self.y[i-1] = self.city[i-1][2]

        for i, content in enumerate(b):

                if i in range(53, 104):

                    self.id[i - 53] = content.strip('\n')

    @property

    def citynum(self):

        '''

        榪斿洖鍩庡競鏁

        '''

        return self.city_num

    @property

    def optimalval(self):

        '''

        榪斿洖鏈浼樿礬寰勯暱搴

        '''

        c = 0

        i = 1

        s = open(self.file_name)

        str = s.readlines()

        for content in str:

            if i == 2:

                c = content

            i = i + 1

        return c

    @property

    def optimaltour(self):

        '''

        榪斿洖鏈浼樿礬寰

        '''

        tour = np.array(self.id)

        return tour

    def __getitem__(self, n):

        '''

        榪斿洖鍩庡競n鐨勫潗鏍,鐢眡鍜寉鏋勬垚鐨則uple:(x,y)

        '''

        (x, y) = (self.x[n-1], self.y[n-1])

        return (x, y)

    def get_distance(self, n, m):

        '''

        榪斿洖鍩庡競n銆乵闂寸殑鏁存暟璺濈伙紙鍥涜垗浜斿叆錛

        '''

        u=int(self.x[n-1] - self.x[m-1])

        v=int(self.y[n-1] - self.y[m-1])

        dis = math.sqrt(pow(u,2) + pow(v,2))

        return int(dis+0.5)

    def evaluate(self, tour):

        '''

        榪斿洖璁塊棶緋誨垪tour鎵瀵瑰簲鐨勮礬寰勭▼搴

        '''

        dis = 0

        for i in range(50):

            dis += self.get_distance(int(tour[i]), int(tour[i + 1]))

        dis += self.get_distance(int(tour[50]), int(tour[0]))

        return dis

    def plot_tour(self, tour):

        '''

        鐢誨嚭璁塊棶緋誨垪tour鎵瀵瑰簲鐨勮礬寰勮礬

        '''

        for i in range(51):

            x0,y0 = self.__getitem__(i)

            plt.scatter(int(x0),int(y0),s=10,c='c')

        #璁頒綇鍧愭爣鐐圭殑鐢繪硶

        for i in range(len(tour)-1):

            x1,y1 = self.__getitem__(int(tour[i]))

            x,y = self.__getitem__(int(tour[i+1]))

            plt.plot([x1,x],[y1,y],c='b')

        x2,y2 = self.__getitem__(int(tour[0]))

        x3,y3 = self.__getitem__(int(tour[len(tour)-1]))

        plt.plot([x2,x3],[y2,y3],c='b')

        plt.xlabel('x label')

        plt.ylabel('y label')

        plt.title("City access sequence diagram")

        plt.plot()

        plt.show()

if __name__ == "__main__":

    file_name = path.dirname(__file__) + "/1.txt"

    instance = TSPInstance(file_name)

    print(instance.citynum)

    print(instance.evaluate(instance.optimaltour))

    print(instance.optimaltour)

    print(instance.__getitem__(2))

    print(instance.get_distance(0, 1))

    instance.plot_tour(instance.optimaltour)

    '''

    output:

    51

    426

    [  1.  22.  8.  26.  31.  28.  3.  36.  35.  20.  2.  29.  21.  16.  50.

      34.  30.  9.  49.  10.  39.  33.  45.  15.  44.  42.  40.  19.  41.  13.

      25.  14.  24.  43.  7.  23.  48.  6.  27.  51.  46.  12.  47.  18.  4.

      17.  37.  5.  38.  11.  32.]

    (49.0, 49.0)

    14 

    '''

鍏跺疄瑙ｅ喅TSP闂棰樻湁寰堝氭柟娉曪紝姣斿傛ā鎷熼鐏綆楁硶錛岃椽蹇冪畻娉曪紝鍥炴函綆楁硶絳夌瓑銆傚笇鏈涘悇浣嶅崥鍙嬪彲浠ユ妸浣犱滑鐨勮В鍐蟲柟娉曞嚭鐜板湪璇勮哄尯銆 

❷ 如何使用QGIS裡面的python編程求最優路線

題主：
你的問題描述不是很詳盡。
比如，你所說的最短路徑，是直線還是沿道路的最短路徑。如果是後者這個稍微麻煩些，並需要補充路網數據。如是直線距離最短，那麼，你所需求的是以最短路徑走訪完所有農戶（以居委會為起點），還是每戶至居委會的距離最短（兩點間直線距離）。還有就是GIS文件的屬性表和你的EXCEL表格的關系...
所以，如你題中所說，建議你現在做的有以下幾件事：
①明確要目標到底是什麼，就如上面所說的一樣；
②對於每一戶（包括居委會），你還需獲取其坐標（X/Y），這個在GIS軟體中易獲取；
③將excel數據連接至屬性表中。
最後，你這個項目要解決的問題有Dijkstra、Floyd、A*等演算法可用。但是具體用哪一種還需根據問題進行優選...
希望對你有所幫助！！！

❸ Python中networkx中shortest_path使用的是哪一種最短路徑方法

不全是。依據傳入的參數決定調用哪種演算法。

看源碼：至少涉及了dijkstra、廣乎灶度優先/深度優先演算法。

ifsource歲遲扮isNone:
iftargetisNone:
##Findpathsbetweenallpairs.
ifweightisNone:
paths=nx.all_pairs_shortest_path(G)
else:
paths=nx.all_pairs_dijkstra_path(G,weight=weight)
else:
##Findpathsfromallnodesco-accessibletothetarget.
旦桐directed=G.is_directed()
ifdirected:
G.reverse(=False)

ifweightisNone:
paths=nx.single_source_shortest_path(G,target)
else:
paths=nx.single_source_dijkstra_path(G,target,weight=weight)

#.
fortargetinpaths:
paths[target]=list(reversed(paths[target]))

ifdirected:
G.reverse(=False)
else:
iftargetisNone:
##.
ifweightisNone:
paths=nx.single_source_shortest_path(G,source)
else:
paths=nx.single_source_dijkstra_path(G,source,weight=weight)
else:
##Findshortestsource-targetpath.
ifweightisNone:
paths=nx.bidirectional_shortest_path(G,source,target)
else:
paths=nx.dijkstra_path(G,source,target,weight)

❹ 基於DEAP庫的Python進化演算法從入門到入土--（六）多目標遺傳演算法 NSGA-II

在很多實際工程問題中，我們的優化目標不止一個，而是對多個目標函數求一個綜合最優解。例如在物流配送問題中，不僅要求配送路徑最短，還可能需要參與運輸車輛最少等。

多目標優化問題的數學模型可以表達為：

多目標優化問題通常具有如下特點：

對於多目標優化問題，傳統方法是將原問題通過加權方式變換為單目標優化問題，進而求得最優解。該方法具有兩大問題：

遺傳演算法具有多點多方向搜索的特徵，在一次搜索中可以得到多個Pareto最優解，因此更適合求解多目標優化問題。

而當前用於求解多目標優化問題的遺傳演算法一般有兩種思路：

NSGA-II(nondominated sorting genetic algorithm II)是2002年Deb教授提出的NSGA的改進型，這個演算法主要解決了第一版NSGA的三個痛點：

針對這三個問題，在NSGA-II中，Deb提出了快速非支配排序運算元，引入了保存精英策略，並用「擁擠距離」(crowding distance)替代了共享(sharing)。

在介紹NSGA-II的整體流程之前，我們需要先了解快速非支配排序和擁擠距離的定義。

解的支配關系與Pareto最優解

下圖表示了解之間的支配和強支配關系：

下圖表示了一個最小化問題解集中的Pareto最優解和Pareto弱最優解：

快速非支配排序步驟

快速非支配排序就是將解集分解為不同次序的Pareto前沿的過程。

它可以描述為：

DEAP實現

DEAP內置了實現快速非支配排序操作的函數 tools.emo.sortNondominated

tools.emo.sortNondominated(indivials, k, first_front_only=False)

參數：

返回：

擁擠距離的定義

在NSGA II中，為了衡量在同一個前沿中各個解質量的優劣，作者為每個解分配了一個擁擠距離。其背後的思想是 讓求得的Pareto最優解在objective space中盡量分散 。也就有更大可能讓解在Pareto最優前沿上均勻分布。

DEAP實現

DEAP中內置了計算擁擠距離的函數 tools.emo.assignCrowdingDist

tools.emo.assignCrowdingDist(indivials)

參數：

返回：

比較操作

根據快速非支配排序和擁擠距離計算的結果，對族群中的個體進行排序：

對兩個解 ，

在每個迭代步的最後，將父代與子代合為一個族群，依照比較操作對合並後族群中的個體進行排序，然後從中選取數量等同於父代規模的優秀子代，這就是NSGA-II演算法中的精英保存策略。

DEAP實現

DEAP內置了實現NSGA-II中的基於擁擠度的選擇函數 tools.selNSGA2 用來實現精英保存策略：

tools.selNSGA2(indivials, k, nd='standard')

參數：

返回：

這里選用ZDT3函數作為測試函數，函數可表達為：

其Pareto最優解集為

這里為了方便可視化取 。

下圖給出了該函數在Decision Space和Objective Space中的對應：

其pareto最優解在Objective Space中如下圖紅點所示：

將結果可視化：

得到：

可以看到NSGA-II演算法得到的Pareto最優前沿質量很高：最優解均勻分布在不連續前沿的各個線段上；同時在最優前沿以外沒有個體存在。

❺ 哪本python書立有蟻群演算法

簡介

蟻群演算法(ant colony optimization, ACO)，又稱螞蟻演算法，是一種用來在圖中尋找優化路徑的機率型演算法。它由Marco Dorigo於1992年在他的博士論文中提出，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。蟻群演算法是一種模擬進化演算法，初步的研究表明該演算法具有許多優良的性質。針對PID控制器參數優化設計問題，將蟻群演算法設計的結果與遺傳演算法設計的結果進行了比較，數值模擬結果表明，蟻群演算法具有一種新的模擬進化優化方法的有效性和應用價值。
定義

各個螞蟻在沒有事先告訴他們食物在什麼地方的前提下開始尋找食物。當一隻找到食物以後，它會向環境釋放一種揮發性分泌物pheromone (稱為信息素,該物質隨著時間的推移會逐漸揮發消失，信息素濃度的大小表徵路徑的遠近)來實現的，吸引其他的螞蟻過來，這樣越來越多的螞蟻會找到食物。有些螞蟻並沒有像其它螞蟻一樣總重復同樣的路，他們會另闢蹊徑，如果另開辟的道路比原來的其他道路更短，那麼，漸漸地，更多的螞蟻被吸引到這條較短的路上來。最後，經過一段時間運行，可能會出現一條最短的路徑被大多數螞蟻重復著。

解決的問題

三維地形中，給出起點和重點，找到其最優路徑。

程序代碼：

numpy as npimport matplotlib.pyplot as plt%pylabcoordinates = np.array([[565.0,575.0],[25.0,185.0],[345.0,750.0],[945.0,685.0],[845.0,655.0],[880.0,660.0],[25.0,230.0],[525.0,1000.0],[580.0,1175.0],[650.0,1130.0],[1605.0,620.0],[1220.0,580.0],[1465.0,200.0],[1530.0, 5.0],[845.0,680.0],[725.0,370.0],[145.0,665.0],[415.0,635.0],[510.0,875.0],[560.0,365.0],[300.0,465.0],[520.0,585.0],[480.0,415.0],[835.0,625.0],[975.0,580.0],[1215.0,245.0],[1320.0,315.0],[1250.0,400.0],[660.0,180.0],[410.0,250.0],[420.0,555.0],[575.0,665.0],[1150.0,1160.0],[700.0,580.0],[685.0,595.0],[685.0,610.0],[770.0,610.0],[795.0,645.0],[720.0,635.0],[760.0,650.0],[475.0,960.0],[95.0,260.0],[875.0,920.0],[700.0,500.0],[555.0,815.0],[830.0,485.0],[1170.0, 65.0],[830.0,610.0],[605.0,625.0],[595.0,360.0],[1340.0,725.0],[1740.0,245.0]])def getdistmat(coordinates):num = coordinates.shape[0]distmat = np.zeros((52,52))for i in range(num):for j in range(i,num):distmat[i][j] = distmat[j][i]=np.linalg.norm(coordinates[i]-coordinates[j])return distmatdistmat = getdistmat(coordinates)numant = 40 #螞蟻個數numcity = coordinates.shape[0] #城市個數alpha = 1 #信息素重要程度因子beta = 5 #啟發函數重要程度因子rho = 0.1 #信息素的揮發速度Q = 1iter = 0itermax = 250etatable = 1.0/(distmat+np.diag([1e10]*numcity)) #啟發函數矩陣，表示螞蟻從城市i轉移到矩陣j的期望程度pheromonetable = np.ones((numcity,numcity)) # 信息素矩陣pathtable = np.zeros((numant,numcity)).astype(int) #路徑記錄表distmat = getdistmat(coordinates) #城市的距離矩陣lengthaver = np.zeros(itermax) #各代路徑的平均長度lengthbest = np.zeros(itermax) #各代及其之前遇到的最佳路徑長度pathbest = np.zeros((itermax,numcity)) # 各代及其之前遇到的最佳路徑長度while iter < itermax:# 隨機產生各個螞蟻的起點城市if numant <= numcity:#城市數比螞蟻數多pathtable[:,0] = np.random.permutation(range(0,numcity))[:numant]else: #螞蟻數比城市數多，需要補足pathtable[:numcity,0] = np.random.permutation(range(0,numcity))[:]pathtable[numcity:,0] = np.random.permutation(range(0,numcity))[:numant-numcity]length = np.zeros(numant) #計算各個螞蟻的路徑距離for i in range(numant):visiting = pathtable[i,0] # 當前所在的城市#visited = set() #已訪問過的城市，防止重復#visited.add(visiting) #增加元素unvisited = set(range(numcity))#未訪問的城市unvisited.remove(visiting) #刪除元素for j in range(1,numcity):#循環numcity-1次，訪問剩餘的numcity-1個城市#每次用輪盤法選擇下一個要訪問的城市listunvisited = list(unvisited)probtrans = np.zeros(len(listunvisited))for k in range(len(listunvisited)):probtrans[k] = np.power(pheromonetable[visiting][listunvisited[k]],alpha)*np.power(etatable[visiting][listunvisited[k]],alpha)cumsumprobtrans = (probtrans/sum(probtrans)).cumsum()cumsumprobtrans -= np.random.rand()k = listunvisited[find(cumsumprobtrans>0)[0]] #下一個要訪問的城市pathtable[i,j] = kunvisited.remove(k)#visited.add(k)length[i] += distmat[visiting][k]visiting = klength[i] += distmat[visiting][pathtable[i,0]] #螞蟻的路徑距離包括最後一個城市和第一個城市的距離#print length# 包含所有螞蟻的一個迭代結束後，統計本次迭代的若干統計參數lengthaver[iter] = length.mean()if iter == 0:lengthbest[iter] = length.min()pathbest[iter] = pathtable[length.argmin()].()else:if length.min() > lengthbest[iter-1]:lengthbest[iter] = lengthbest[iter-1]pathbest[iter] = pathbest[iter-1].()else:lengthbest[iter] = length.min()pathbest[iter] = pathtable[length.argmin()].()# 更新信息素changepheromonetable = np.zeros((numcity,numcity))for i in range(numant):for j in range(numcity-1):changepheromonetable[pathtable[i,j]][pathtable[i,j+1]] += Q/distmat[pathtable[i,j]][pathtable[i,j+1]]changepheromonetable[pathtable[i,j+1]][pathtable[i,0]] += Q/distmat[pathtable[i,j+1]][pathtable[i,0]]pheromonetable = (1-rho)*pheromonetable + changepheromonetableiter += 1 #迭代次數指示器+1#觀察程序執行進度，該功能是非必須的if (iter-1)%20==0:print iter-1# 做出平均路徑長度和最優路徑長度fig,axes = plt.subplots(nrows=2,ncols=1,figsize=(12,10))axes[0].plot(lengthaver,'k',marker = u'')axes[0].set_title('Average Length')axes[0].set_xlabel(u'iteration')axes[1].plot(lengthbest,'k',marker = u'')axes[1].set_title('Best Length')axes[1].set_xlabel(u'iteration')fig.savefig('Average_Best.png',dpi=500,bbox_inches='tight')plt.close()#作出找到的最優路徑圖bestpath = pathbest[-1]plt.plot(coordinates[:,0],coordinates[:,1],'r.',marker=u'$cdot$')plt.xlim([-100,2000])plt.ylim([-100,1500])for i in range(numcity-1):#m,n = bestpath[i],bestpath[i+1]print m,nplt.plot([coordinates[m][0],coordinates[n][0]],[coordinates[m][1],coordinates[n][1]],'k')plt.plot([coordinates[bestpath[0]][0],coordinates[n][0]],[coordinates[bestpath[0]][1],coordinates[n][1]],'b')ax=plt.gca()ax.set_title("Best Path")ax.set_xlabel('X axis')ax.set_ylabel('Y_axis')plt.savefig('Best Path.png',dpi=500,bbox_inches='tight')plt.close()

❻ 精通Python網路爬蟲之網路爬蟲學習路線

欲精通Python網路爬蟲，必先了解網路爬蟲學習路線，本篇經驗主要解決這個問題。部分內容參考自書籍《精通Python網路爬蟲》。

作者：韋瑋

轉載請註明出處

隨著大數據時代的到來，人們對數據資源的需求越來越多，而爬蟲是一種很好的自動採集數據的手段。

那麼，如何才能精通Python網路爬蟲呢？學習Python網路爬蟲的路線應該如何進行呢？在此為大傢具體進行介紹。

1、選擇一款合適的編程語言

事實上，Python、PHP、JAVA等常見的語言都可以用於編寫網路爬蟲，你首先需要選擇一款合適的編程語言，這些編程語言各有優勢，可以根據習慣進行選擇。在此筆者推薦使用Python進行爬蟲項目的編寫，其優點是：簡潔、掌握難度低。

2、掌握Python的一些基礎爬蟲模塊

當然，在進行這一步之前，你應當先掌握Python的一些簡單語法基礎，然後才可以使用Python語言進行爬蟲項目的開發。

在掌握了Python的語法基礎之後，你需要重點掌握一個Python的關於爬蟲開發的基礎模塊。這些模塊有很多可以供你選擇，比如urllib、requests等等，只需要精通一個基礎模塊即可，不必要都精通，因為都是大同小異的，在此推薦的是掌握urllib，當然你可以根據你的習慣進行選擇。

3、深入掌握一款合適的表達式

學會了如何爬取網頁內容之後，你還需要學會進行信息的提取。事實上，信息的提取你可以通過表達式進行實現，同樣，有很多表達式可以供你選擇使用，常見的有正則表達式、XPath表達式、BeautifulSoup等，這些表達式你沒有必要都精通，同樣，精通1-2個，其他的掌握即可，在此建議精通掌握正則表達式以及XPath表達式，其他的了解掌握即可。正則表達式可以處理的數據的范圍比較大，簡言之，就是能力比較強，XPath只能處理XML格式的數據，有些形式的數據不能處理，但XPath處理數據會比較快。

4、深入掌握抓包分析技術

事實上，很多網站都會做一些反爬措施，即不想讓你爬到他的數據。最常見的反爬手段就是對數據進行隱藏處理，這個時候，你就無法直接爬取相關的數據了。作為爬蟲方，如果需要在這種情況下獲取數據，那麼你需要對相應的數據進行抓包分析，然後再根據分析結果進行處理。一般推薦掌握的抓包分析工具是Fiddler，當然你也可以用其他的抓包分析工具，沒有特別的要求。

5、精通一款爬蟲框架

事實上，當你學習到這一步的時候，你已經入門了。

這個時候，你可能需要深入掌握一款爬蟲框架，因為採用框架開發爬蟲項目，效率會更加高，並且項目也會更加完善。

同樣，你可以有很多爬蟲框架進行選擇，比如Scrapy、pySpider等等，一樣的，你沒必要每一種框架都精通，只需要精通一種框架即可，其他框架都是大同小異的，當你深入精通一款框架的時候，其他的框架了解一下事實上你便能輕松使用，在此推薦掌握Scrapy框架，當然你可以根據習慣進行選擇。

6、掌握常見的反爬策略與反爬處理策略

反爬，是相對於網站方來說的，對方不想給你爬他站點的數據，所以進行了一些限制，這就是反爬。

反爬處理，是相對於爬蟲方來說的，在對方進行了反爬策略之後，你還想爬相應的數據，就需要有相應的攻克手段，這個時候，就需要進行反爬處理。

事實上，反爬以及反爬處理都有一些基本的套路，萬變不離其宗，這些後面作者會具體提到，感興趣的可以關注。

常見的反爬策略主要有：

IP限制

UA限制

Cookie限制

資源隨機化存儲

動態載入技術

……

對應的反爬處理手段主要有：

IP代理池技術

用戶代理池技術

Cookie保存與處理

自動觸發技術

抓包分析技術+自動觸發技術

……

這些大家在此先有一個基本的思路印象即可，後面都會具體通過實戰案例去介紹。

7、掌握PhantomJS、Selenium等工具的使用

有一些站點，通過常規的爬蟲很難去進行爬取，這個時候，你需要藉助一些工具模塊進行，比如PhantomJS、Selenium等，所以，你還需要掌握PhantomJS、Selenium等工具的常規使用方法。

8、掌握分布式爬蟲技術與數據去重技術

如果你已經學習或者研究到到了這里，那麼恭喜你，相信現在你爬任何網站都已經不是問題了，反爬對你來說也只是一道形同虛設的牆而已了。

但是，如果要爬取的資源非常非常多，靠一個單機爬蟲去跑，仍然無法達到你的目的，因為太慢了。

所以，這個時候，你還應當掌握一種技術，就是分布式爬蟲技術，分布式爬蟲的架構手段有很多，你可以依據真實的伺服器集群進行，也可以依據虛擬化的多台伺服器進行，你可以採用urllib+redis分布式架構手段，也可以採用Scrapy+redis架構手段，都沒關系，關鍵是，你可以將爬蟲任務部署到多台伺服器中就OK。

至於數據去重技術，簡單來說，目的就是要去除重復數據，如果數據量小，直接採用資料庫的數據約束進行實現，如果數據量很大，建議採用布隆過濾器實現數據去重即可，布隆過濾器的實現在Python中也是不難的。

以上是如果你想精通Python網路爬蟲的學習研究路線，按照這些步驟學習下去，可以讓你的爬蟲技術得到非常大的提升。

至於有些朋友問到，使用Windows系統還是Linux系統，其實，沒關系的，一般建議學習的時候使用Windows系統進行就行，比較考慮到大部分朋友對該系統比較數據，但是在實際運行爬蟲任務的時候，把爬蟲部署到Linux系統中運行，這樣效率比較高。由於Python的可移植性非常好，所以你在不同的平台中運行一個爬蟲，代碼基本上不用進行什麼修改，只需要學會部署到Linux中即可。所以，這也是為什麼說使用Windows系統還是Linux系統進行學習都沒多大影響的原因之一。

本篇文章主要是為那些想學習Python網路爬蟲，但是又不知道從何學起，怎麼學下去的朋友而寫的。希望通過本篇文章，可以讓你對Python網路爬蟲的研究路線有一個清晰的了解，這樣，本篇文章的目的就達到了，加油！

本文章由作者韋瑋原創，轉載請註明出處。

❼ python 演算法種類

python雖然具備很多高級模塊，也是自帶電池的編程語言，但是要想做一個合格的程序員，基本的演算法還是需要掌握，本文主要介紹列表的一些排序演算法
遞歸是演算法中一個比較核心的概念，有三個特點，1 調用自身 2 具有結束條件 3 代碼規模逐漸減少