最近两年，似乎有这样一个现象：

Python 越来越火

从 TIOBE 2019年3月这张图上来看，Python 的受欢迎程度已位居第三位，仅次于 Java 和 C。

其实 Python 在多年之前已经被广泛使用了，但是在编程语言排行榜上却一直不温不火，在10位左右徘徊着，从 TIOBE 的趋势图上看出，2017年开始呈急剧上升趋势，瞬间有种人人开始学 Python 即视感，这种感觉像极了2015年牛市时菜市场都在讨论股市行情时的情形。

身边不是计算机专业的（比如，某个学金融的妹纸，也不知道现在学得怎么样了），也开始说起 Python，就连少儿编程的课程里 Python 也成了香饽饽。这是什么原因呢？其实并不是这个语言有了突飞猛进的升级，很大一部分原因是得益于大数据和机器学习的发展，可是 Java 和 C 并不是不能做这两块的业务，为什么 Python 就成了红人呢？简单粗暴来说，是因为它有巨多库，吭哧吭哧用 C 写了一堆堆的，到 Python 这儿，估计引个库，几行代码就搞定了，能不招人喜欢吗。

Python 除了做算法及数据处理分析之外，因为其简单、易封装等等特点，也是运维的好帮手，脚本写起来很是方便。但是与我们第一、第二的 Java 和 C 相比，性能是个过不去的坎儿，也不要去想什么并发或者线程处理了，我想当初这门语言被设计出来，也是出于「简单、易用」的考虑，语法也是友好到感人，跟写自然语言差不多了，一句话结束没有分号，没有分号，Java 程序员们一定要忍住😂。

我最早接触 Python 也是十几年前了，大概2004的样子。那时候是因为有个要批量下载邮件附件的诉求，印象中也就十几行不到的代码吧，脚本跑一跑很方便。正因为太方便了，陆陆续续地写过一些脚本，但一直没深入去用起来。

2017年兴起的这股 Python 大风，让我想起了这些“往事”，心想着要不也来写写算法什么的，毕竟机器学习将来也会成为必备知识。于是找了一些机器学习的书，以及在 Coursera 上订阅了 Andrew 的那套课程来学，里面有一些用 NumPy (Python 的一个开源的数值计算扩展库)做分析的练习，可是机器学习的前提是数学得好😂，在还没开始用 NumPy 之前，得把高数、线性代数这些补起来，当然不补这些，程序照样可以跑起来，但是「知其然而不知其所以然」，越到后面越吃力。

嗯……于是，Python 也没真正用起来。

我曾经多次提到，一个人真正精通的专业通常都只有1-2个，不超过3个，而且这三个基本上跟工作有着密切的关系。因为专业的精通始终离不开实践，只有当我们能扎扎实实用起来，才会真正地投入身心去学习。当然，我不是说业余时间学习的技能就一定不能达到专业，但需要付出更高的代价。前几天翻到韩寒的那篇旧文很有意思，就是讲的职业选手和民间选手的差异，名叫「我也曾对这种力量一无所知」，有兴趣的可以搜来看看。

是什么让我在今天又想起来 Python 这件事了呢，也是源自于一个小小的需求。最近有个考试证书应该差不多要发了，但需要自己每天去某个网站的「领证通知」栏目下查看，虽然已设成了主页，但连续查了三天之后，即便是这样一个只需要打开浏览器的动作，也让我觉得太机械化了，于是就动手写了脚本，很简单的功能，每天定时去抓取这个网站「领证通知」下最新的那条通知，取出标题、时间、具体通知内容，然后发邮件给我。这不是还要打开邮箱收邮件吗！跟打开浏览器有什么区别？！区别就是作为 IT 从业人员，自动化是必备的生存技能啊😄。

好吧，其实我只是想借这个小小的脚本了解一下 Python 爬虫的这些库。爬虫可以简单理解成一种抓取网页内容的脚本或者程序。之前也了解过一些 Python 爬虫框架，比如 Scrapy，也有一些基于 Java 的，大多适合比较庞大的作业，所以框架本身也相对比较复杂，也就搁置到现在。今天这个需求虽小，但很实用，而且花了一点时间就上手了，之后的工作中也会用这块知识来做一些东西。

今天这件事给我的启发是，当我们学习一个新东西的时候，不要想着一上来就想做个很庞大很完美很有成就感的事情，而是从一个很小的点切入，快速启动，毕竟「做了」与「准备做」是两个世界，一旦做了才有继续做下去的可能，才有继续修正的可能，追求完美有时候也只是“拖延”的一种借口罢了。

最后用Python 之父的那句名言来结尾吧：

人生苦短，我用 Python