大家好，如果您还对python谷歌浏览器怎么配置不太了解，没有关系，今天就由本站为大家分享python谷歌浏览器怎么配置的知识，包括python调用谷歌浏览器插件的问题都会给大家分析到，还望可以解决大家的问题，下面我们就开始吧！

本文目录

1. 怎么用python进行web开发
2. 如何线上部署用python基于dlib写的人脸识别算法
3. python selenium设置浏览器参数

一、怎么用python进行web开发

1、HTML（超文本标记语言）是网页的核心，学好HTML是成为Web开发人员的基本条件。HTML很容易学习的，但也很容易误用，要学精还得费点功夫。

2、随着HTML5的发展和普及，了解HTML5也将成为Web开发人员的必修课。

3、涉及到网页外观时，就需要学习CSS了，它可以帮你把网页做得更美观。

4、利用HTML和CSS模拟一些你所见过的网站的排版和布局（色彩，图片，文字样式等等）。

5、第二步：学习javascript,了解DOM

6、JavaScript是一种能让你的网页更加生动活泼的程序语言。学习JavaScript的基本语法，学会用javascript操作网页中dom元素。

7、接着学习使用一些javascript库，比如jquery是大部分WEB开发人员都喜欢用的，通过Jquery可以有效的提高JavaScript的开发效率。

8、你不必在这上面花太多精力，但对IIS、Apache基本配置要掌握，这方面的知识学起来也相对容易，不会花多长时间。

9、学习一点Unix和Linux的基本知识，因为大部分Web服务器都运行在Unix和Linux平台上。

10、第四步:学好一门服务器端脚本语言

11、服务器端脚本编程（后台开发）也是Web开发人员的基本功之一，你只需挑选一个服务器端脚本语言，然后学好它。

12、目前流行的服务器脚本语言有：php、asp.net、jsp、ruby、python、等。

13、要构建动态页面通常会使用到数据库，常用的数据库有SQLServer、Oracle、MySQL等，它们都会遵循标准的SQL原则。

14、通常asp.net程序使用SqlServer数据库，PHP、java使用Oracle、MySQL数据库。

15、选一个你喜欢的后台编程语言，结合之前学到的html,css,javascript前端技术，实现一个简单的留言本、论坛程序、进而实现一个简单的CMS（内容管理系统）

16、当你掌握了HTML，CSS，JavaScript和服务器端脚本语言后，就应该找一个Web框架加快你的Web开发速度，使用框架可以节约你很多时间。

17、比如.net的MVC，JAVA的SSH，php的cakephp、CodeIgniter、zend，ruby的ROR，python的dijango等等，其实里面都有一些相通之处。

18、整个开发过程你还可能会学习到一些工具的使用：

19、Visio，Dreamweaver，Vistual Studio、elipse、(Vim, EditPlus, Notpad++)、sqlserver、phpmyadmin，各种浏览器以及FireBug的插件，IE下的WebDevelopmentHelper、IETester等。如果你足够用心，你还发掘出很多不错的资源，例如MSDN，W3cSchool，一些前辈的博客，一些技术论坛等等，这都是你未来前进道路上的财富。如还想深入研究，学学http协议,理解什么是无状态，不然你永远做不好WEB开发，研究web程序服务端运行原理，还有tcp/ip,udp协议等。

20、从最简单的HTML到Web框架，内容还是不少，要想精通这里的每一样技术，都得下苦功夫才行。半年的时间，足够你对web开发产生一个有效的认识，这个时候，再思考你进一步学习的方向吧。

二、如何线上部署用python基于dlib写的人脸识别算法

python使用dlib进行人脸检测与人脸关键点标记

Dlib是一个跨平台的C++公共库，除了线程支持，网络支持，提供测试以及大量工具等等优点，Dlib还是一个强大的机器学习的C++库，包含了许多机器学习常用的算法。同时支持大量的数值算法如矩阵、大整数、随机数运算等等。

Dlib同时还包含了大量的图形模型算法。

最重要的是Dlib的文档和例子都非常详细。

这篇博客所述的人脸标记的算法也是来自Dlib库，Dlib实现了One Millisecond Face Alignment with an Ensemble of Regression Trees中的算法

这篇论文非常出名，在谷歌上打上One Millisecond就会自动补全，是CVPR 2014(国际计算机视觉与模式识别会议)上的一篇国际顶级水平的论文。毫秒级别就可以实现相当准确的人脸标记，包括一些半侧脸，脸很不清楚的情况，论文本身的算法十分复杂，感兴趣的同学可以下载看看。

Dlib实现了这篇最新论文的算法，所以Dlib的人脸标记算法是十分先进的，而且Dlib自带的人脸检测库也很准确，我们项目受到硬件所限，摄像头拍摄到的画面比较模糊，而在这种情况下之前尝试了几个人脸库，识别率都非常的低，而Dlib的效果简直出乎意料。

相对于C++我还是比较喜欢使用python，同时Dlib也是支持python的，只是在配置的时候碰了不少钉子，网上大部分的Dlib资料都是针对于C++的，我好不容易才配置好了python的dlib，这里分享给大家：

因为是用python去开发计算机视觉方面的东西，python的这些科学计算库是必不可少的，这里我把常用的科学计算库的安装也涵盖在内了，已经安装过这些库的同学就可以忽略了。

大家都知道Ubuntu是自带python2.7的，而且很多Ubuntu系统软件都是基于python2.7的，有一次我系统的python版本乱了，我脑残的想把python2.7卸载了重装，然后……好像是提醒我要卸载几千个软件来着，没看好直接回车了，等我反应过来Ctrl+ C的时候系统已经没了一半了…

所以我发现想要搞崩系统，这句话比rm-rf还给力…

sudo apt-get remove python2.71

首先安装两个python第三方库的下载安装工具,ubuntu14.04好像是预装了easy_install

sudo apt-get install python-pip1

sudo apt-get install python-setuptools1

有时候系统环境复杂了，安装的时候会安装到别的python版本上，这就麻烦了，所以还是谨慎一点测试一下，这里安装一个我之前在博客中提到的可以模拟浏览器的第三方python库测试一下。

在终端输入python进入python shell

进入python shell后import一下刚安装的mechanize

没有报错，就是安装成功了，如果说没有找到，那可能就是安装到别的python版本的路径了。

没有报错的话，说明PIL已经被预装过了

首先需要安装python-dev才可以编译之后的扩展库

sudo apt-get install python-dev1

之后就可以用easy-install安装numpy了

这里有时候用easy-install安装numpy下载的时候会卡住，那就只能用 apt-get来安装了：

不推荐这样安装的原因就是系统环境或者说python版本多了之后，直接apt-get安装numpy很有可能不知道装到哪个版本去了，然后就很麻烦了，我有好几次遇到这个问题,不知道是运气问题还是什么，所以风险还是很大的，所以还是尽量用easy-install来安装。

下面的安装过程同理，我就从简写了，大家自己每步别忘了测试一下

sudo apt-get install python-scipy1

sudo apt-get install python-matplotlib1

我当时安装dlib的过程简直太艰辛，网上各种说不知道怎么配，配不好，我基本把stackoverflow上的方法试了个遍，才最终成功编译出来并且导入，不过听说18.18更新之后有了setup.py,那真是极好的，18.18我没有亲自配过也不能乱说，这里给大家分享我配置18.17的过程吧：

1.首先必须安装libboost，不然是不能使用.so库的

sudo apt-get install libboost-python-dev cmake1

2.到Dlib的官网上下载dlib，会下载下来一个压缩包，里面有C++版的dlib库以及例子文档，Python dlib库的代码例子等等

我使用的版本是dlib-18.17,大家也可以在我这里下载：

之后进入python_examples下使用bat文件进行编译，编译需要先安装libboost-python-dev和cmake

cd to dlib-18.17/python_examples

./compile_dlib_python_module.bat 123

之后会得到一个dlib.so，复制到dist-packages目录下即可使用

这里大家也可以直接用我编译好的.so库,但是也必须安装libboost才可以，不然python是不能调用so库的，下载地址：

将.so复制到dist-packages目录下

sudo cp dlib.so/usr/local/lib/python2.7/dist-packages/1

最新的dlib18.18好像就没有这个bat文件了，取而代之的是一个setup文件，那么安装起来应该就没有这么麻烦了，大家可以去直接安装18.18，也可以直接下载复制我的.so库，这两种方法应该都不麻烦～

有时候还会需要下面这两个库，建议大家一并安装一下

sudo apt-get install python-skimage1

环境配置结束之后，我们首先看一下dlib提供的示例程序

dlib-18.17/python_examples/face_detector.py源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt## This example program shows how to find frontal human faces in an image. In# particular, it shows how you can take a list of images from the command# line and display each on the screen with red boxes overlaid on each human# face.## The examples/faces folder contains some jpg images of people. You can run# this program on them and see the detections by executing the# following command:#./face_detector.py../examples/faces/*.jpg## This face detector is made using the now classic Histogram of Oriented# Gradients(HOG) feature combined with a linear classifier, an image# pyramid, and sliding window detection scheme. This type of object detector# is fairly general and capable of detecting many types of semi-rigid objects# in addition to human faces. Therefore, if you are interested in making# your own object detectors then read the train_object_detector.py example# program.### COMPILING THE DLIB PYTHON INTERFACE# Dlib comes with a compiled python interface for python 2.7 on MS Windows. If# you are using another python version or operating system then you need to# compile the dlib python interface before you can use this file. To do this,# run compile_dlib_python_module.bat. This should work on any operating# system so long as you have CMake and boost-python installed.# On Ubuntu, this can be done easily by running the command:# sudo apt-get install libboost-python-dev cmake## Also note that this example requires scikit-image which can be installed# via the command:# pip install-U scikit-image# Or downloaded from. import sys

detector= dlib.get_frontal_face_detector()

print("a");for f in sys.argv[1:]:

print("Processing file:{}".format(f))

# The 1 in the second argument indicates that we should upsample the image

# 1 time. This will make everything bigger and allow us to detect more

print("Number of faces detected:{}".format(len(dets))) for i, d in enumerate(dets):

print("Detection{}: Left:{} Top:{} Right:{} Bottom:{}".format(

i, d.left(), d.top(), d.right(), d.bottom()))

dlib.hit_enter_to_continue()# Finally, if you really want to you can ask the detector to tell you the score# for each detection. The score is bigger for more confident detections.# Also, the idx tells you which of the face sub-detectors matched. This can be# used to broadly identify faces in different orientations.if(len(sys.argv[1:])> 0):

dets, scores, idx= detector.run(img, 1) for i, d in enumerate(dets):

print("Detection{}, score:{}, face_type:{}".format(

d, scores[i], idx[i]))123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081

我把源代码精简了一下，加了一下注释： face_detector0.1.py

#-*- coding: utf-8-*-import sys

from skimage import io#使用dlib自带的frontal_face_detector作为我们的特征提取器detector= dlib.get_frontal_face_detector()#使用dlib提供的图片窗口win= dlib.image_window()#sys.argv[]是用来获取命令行参数的，sys.argv[0]表示代码本身文件路径，所以参数从1开始向后依次获取图片路径for f in sys.argv[1:]:#输出目前处理的图片地址

print("Processing file:{}".format(f))#使用skimage的io读取图片

img= io.imread(f)#使用detector进行人脸检测 dets为返回的结果

dets= detector(img, 1)#dets的元素个数即为脸的个数

print("Number of faces detected:{}".format(len(dets)))#使用enumerate函数遍历序列中的元素以及它们的下标

#left：人脸左边距离图片左边界的距离；right：人脸右边距离图片左边界的距离

#top：人脸上边距离图片上边界的距离；bottom：人脸下边距离图片上边界的距离

print("Detection{}: Left:{} Top:{} Right:{} Bottom:{}"

.format( i, d.left(), d.top(), d.right(), d.bottom()))#也可以获取比较全面的信息，如获取人脸与detector的匹配程度

dets, scores, idx= detector.run(img, 1)

print("Detection{}, dets{},score:{}, face_type:{}".format( i, d, scores[i], idx[i]))

#绘制图片(dlib的ui库可以直接绘制dets)

win.add_overlay(dets)#等待点击

dlib.hit_enter_to_continue()1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950

分别测试了一个人脸的和多个人脸的，以下是运行结果：

运行的时候把图片文件路径加到后面就好了

python face_detector0.1.py./data/3.jpg12

这里可以看出侧脸与detector的匹配度要比正脸小的很多

人脸检测我们使用了dlib自带的人脸检测器（detector），关键点提取需要一个特征提取器（predictor），为了构建特征提取器，预训练模型必不可少。

除了自行进行训练外，还可以使用官方提供的一个模型。该模型可从dlib sourceforge库下载：

这个库支持68个关键点的提取，一般来说也够用了，如果需要更多的特征点就要自己去训练了。

dlib-18.17/python_examples/face_landmark_detection.py源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt## This example program shows how to find frontal human faces in an image and# estimate their pose. The pose takes the form of 68 landmarks. These are# points on the face such as the corners of the mouth, along the eyebrows, on# the eyes, and so forth.## This face detector is made using the classic Histogram of Oriented# Gradients(HOG) feature combined with a linear

三、python selenium设置浏览器参数

为了避免每次运行程序都打开一个窗口，我们也可以设置无窗口访问，只需添加浏览器参数即可：

from selenium import webdriver

from selenium.webdriver.chrome.options import Options

url=' ;

chrome_options.add_argument('--headless')

chrome_options.add_argument('lang=zh_CN.utf-8')

UserAgent='Mozilla/5.0(Windows NT 10.0; Win64; x64) AppleWebKit/537.36(KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36'

chrome_options.add_argument('User-Agent='+ UserAgent)

driver= webdriver.Chrome(chrome_options=chrome_options)

指定用户文件夹 User Data路径，可以把书签这样的用户数据保存在系统分区以外的分区–-user-data-dir=”[PATH]”

指定缓存Cache路径–-disk-cache-dir=“[PATH]”指定Cache大小，单位Byte–-disk-cache-size=100

禁用Javascript–-disable-javascript#禁止加载所有插件，可以增加速度--disable-plugins

禁用JavaScript--disable-javascript

禁用弹出拦截--disable-popup-blocking

设置代理chrome_options.add_argument('--proxy-server=http://{ip}:{port}')#

关于python谷歌浏览器怎么配置到此分享完毕，希望能帮助到您。