【收藏】Python 爬虫的工具列表大全

这个列表包含与网页抓取和数据处理的 Python 库。

网络

  • 通用
    • urllib -网络库(stdlib)。
    • requests -网络库。
    • grab – 网络库(基于 pycurl)。
    • pycurl – 网络库(绑定 libcurl)。
    • urllib3 – Python HTTP 库,安全连接池、支持文件 post、可用性高。
    • httplib2 – 网络库。
    • RoboBrowser – 一个简单的、极具 Python 风格的 Python 库,无需独立的浏览器即可浏览网页。
    • MechanicalSoup -一个与网站自动交互 Python 库。
    • mechanize -有状态、可编程的 Web 浏览库。
    • socket – 底层网络接口(stdlib)。
    • Unirest for Python – Unirest 是一套可用于多种语言的轻量级的 HTTP 库。
    • hyper – Python 的 HTTP/2 客户端。
    • PySocks – SocksiPy 更新并积极维护的版本,包括错误修复和一些其他的特征。作为 socket 模块的直接替换。
  • 异步
    • treq – 类似于 requests 的 API(基于 twisted)。
    • aiohttp – asyncio 的 HTTP 客户端/服务器(PEP-3156)。

网络爬虫框架

  • 功能齐全的爬虫
    • grab – 网络爬虫框架(基于 pycurl/multicur)。
    • scrapy – 网络爬虫框架(基于 twisted),不支持 Python3。
    • pyspider – 一个强大的爬虫系统。
    • cola – 一个分布式爬虫框架。
  • 其他
    • portia – 基于 Scrapy 的可视化爬虫。
    • restkit – Python 的 HTTP 资源工具包。它可以让你轻松地访问 HTTP 资源,并围绕它建立的对象。
    • demiurge – 基于 PyQuery 的爬虫微框架。

HTML/XML 解析器

    • 通用
      • lxml – C 语言编写高效 HTML/ XML 处理库。支持 XPath。
      • cssselect – 解析 DOM 树和 CSS 选择器。
      • pyquery – 解析 DOM 树和 jQuery 选择器。
      • BeautifulSoup – 低效 HTML/ XML 处理库,纯 Python 实现。
      • html5lib – 根据 WHATWG 规范生成 HTML/ XML 文档的 DOM。该规范被用在现在所有的浏览器上。
      • feedparser – 解析 RSS/ATOM feeds。
      • MarkupSafe – 为 XML/HTML/XHTML 提供了安全转义的字符串。
      • xmltodict – 一个可以让你在处理 XML 时感觉像在处理 JSON 一样的 Python 模块。
      • xhtml2pdf – 将 HTML/CSS 转换为 PDF。
      • untangle – 轻松实现将 XML 文件转换为 Python 对象。
    • 清理
      • Bleach – 清理 HTML(需要 html5lib)。
      • sanitize – 为混乱的数据世界带来清明。

文本处理

用于解析和操作简单文本的库。

  • 通用
  • difflib – (Python 标准库)帮助进行差异化比较。
  • Levenshtein – 快速计算 Levenshtein 距离和字符串相似度。
  • fuzzywuzzy – 模糊字符串匹配。
  • esmre – 正则表达式加速器。
  • ftfy – 自动整理 Unicode 文本,减少碎片化。
  • 转换
  • unidecode – 将 Unicode 文本转为 ASCII。
  • 字符编码
  • uniout – 打印可读字符,而不是被转义的字符串。
  • chardet – 兼容 Python 的 2/3 的字符编码器。
  • xpinyin – 一个将中国汉字转为拼音的库。
  • pangu.py – 格式化文本中 CJK 和字母数字的间距。
  • Slug 化
  • awesome-slugify – 一个可以保留 unicode 的 Python slugify 库。
  • python-slugify – 一个可以将 Unicode 转为 ASCII 的 Python slugify 库。
  • unicode-slugify – 一个可以将生成 Unicode slugs 的工具。
  • pytils – 处理俄语字符串的简单工具(包括 pytils.translit.slugify)。
  • 通用解析器
  • PLY – lex 和 yacc 解析工具的 Python 实现。
  • pyparsing – 一个通用框架的生成语法分析器。
  • 人的名字
  • python-nameparser -解析人的名字的组件。
  • 电话号码
  • phonenumbers -解析,格式化,存储和验证国际电话号码。
  • 用户代理字符串
  • python-user-agents – 浏览器用户代理的解析器。
  • HTTP Agent Parser – Python 的 HTTP 代理分析器。

特定格式文件处理

解析和处理特定文本格式的库。

  • 通用
  • tablib – 一个把数据导出为 XLS、CSV、JSON、YAML 等格式的模块。
  • textract – 从各种文件中提取文本,比如 Word、PowerPoint、PDF 等。
  • messytables – 解析混乱的表格数据的工具。
  • rows – 一个常用数据接口,支持的格式很多(目前支持 CSV,HTML,XLS,TXT – 将来还会提供更多!)。
  • Office
  • python-docx – 读取,查询和修改的 Microsoft Word2007/2008 的 docx 文件。
  • xlwt / xlrd – 从 Excel 文件读取写入数据和格式信息。
  • XlsxWriter – 一个创建 Excel.xlsx 文件的 Python 模块。
  • xlwings – 一个 BSD 许可的库,可以很容易地在 Excel 中调用 Python,反之亦然。
  • openpyxl – 一个用于读取和写入的 Excel2010 XLSX/ XLSM/ xltx/ XLTM 文件的库。
  • Marmir – 提取 Python 数据结构并将其转换为电子表格。
  • PDF
  • PDFMiner – 一个从 PDF 文档中提取信息的工具。
  • PyPDF2 – 一个能够分割、合并和转换 PDF 页面的库。
  • ReportLab – 允许快速创建丰富的 PDF 文档。
  • pdftables – 直接从 PDF 文件中提取表格。
  • Markdown
  • Python-Markdown – 一个用 Python 实现的 John Gruber 的 Markdown。
  • Mistune – 速度最快,功能全面的 Markdown 纯 Python 解析器。
  • markdown2 – 一个完全用 Python 实现的快速的 Markdown。
  • YAML
  • PyYAML – 一个 Python 的 YAML 解析器。
  • CSS
  • cssutils – 一个 Python 的 CSS 库。
  • ATOM/RSS
  • feedparser – 通用的 feed 解析器。
  • SQL
  • sqlparse – 一个非验证的 SQL 语句分析器。
  • HTTP
  • http-parser – C 语言实现的 HTTP 请求/响应消息解析器。
  • 微格式
  • opengraph – 一个用来解析 Open Graph 协议标签的 Python 模块。
  • 可移植的执行体
  • pefile – 一个多平台的用于解析和处理可移植执行体(即 PE)文件的模块。
  • PSD
  • psd-tools – 将 Adobe Photoshop PSD(即 PE)文件读取到 Python 数据结构。

自然语言处理

处理人类语言问题的库。

  • NLTK -编写 Python 程序来处理人类语言数据的最好平台。
  • Pattern – Python 的网络挖掘模块。他有自然语言处理工具,机器学习以及其它。
  • TextBlob – 为深入自然语言处理任务提供了一致的 API。是基于 NLTK 以及 Pattern 的巨人之肩上发展的。
  • jieba – 中文分词工具。
  • SnowNLP – 中文文本处理库。
  • loso – 另一个中文分词库。
  • genius – 基于条件随机域的中文分词。
  • langid.py – 独立的语言识别系统。
  • Korean – 一个韩文形态库。
  • pymorphy2 – 俄语形态分析器(词性标注+词形变化引擎)。
  • PyPLN  – 用 Python 编写的分布式自然语言处理通道。这个项目的目标是创建一种简单的方法使用 NLTK 通过网络接口处理大语言库。

浏览器自动化与仿真

  • selenium – 自动化真正的浏览器(Chrome 浏览器,火狐浏览器,Opera 浏览器,IE 浏览器)。
  • Ghost.py – 对 PyQt 的 webkit 的封装(需要 PyQT)。
  • Spynner – 对 PyQt 的 webkit 的封装(需要 PyQT)。
  • Splinter – 通用 API 浏览器模拟器(selenium web 驱动,Django 客户端,Zope)。

多重处理

  • threading – Python 标准库的线程运行。对于 I/O 密集型任务很有效。对于 CPU 绑定的任务没用,因为 python GIL。
  • multiprocessing – 标准的 Python 库运行多进程。
  • celery – 基于分布式消息传递的异步任务队列/作业队列。
  • concurrent-futures – concurrent-futures 模块为调用异步执行提供了一个高层次的接口。

异步

异步网络编程库

  • asyncio – (在 Python 3.4 +版本以上的 Python 标准库)异步 I/O,时间循环,协同程序和任务。
  • Twisted – 基于事件驱动的网络引擎框架。
  • Tornado – 一个网络框架和异步网络库。
  • pulsar – Python 事件驱动的并发框架。
  • diesel – Python 的基于绿色事件的 I/O 框架。
  • gevent – 一个使用 greenlet 的基于协程的 Python 网络库。
  • eventlet – 有 WSGI 支持的异步框架。
  • Tomorrow – 异步代码的奇妙的修饰语法。

队列

  • celery – 基于分布式消息传递的异步任务队列/作业队列。
  • huey – 小型多线程任务队列。
  • mrq – Mr. Queue – 使用 redis & Gevent 的 Python 分布式工作任务队列。
  • RQ – 基于 Redis 的轻量级任务队列管理器。
  • simpleq – 一个简单的,可无限扩展,基于 Amazon SQS 的队列。
  • python-gearman – Gearman 的 Python API。

云计算

  • picloud – 云端执行 Python 代码。
  • dominoup.com – 云端执行 R,Python 和 matlab 代码。

电子邮件

电子邮件解析库

  • flanker – 电子邮件地址和 Mime 解析库。
  • Talon – Mailgun 库用于提取消息的报价和签名。

网址和网络地址操作

解析/修改网址和网络地址库。

  • URL
    • furl – 一个小的 Python 库,使得操纵 URL 简单化。
    • purl – 一个简单的不可改变的 URL 以及一个干净的用于调试和操作的 API。
    • urllib.parse – 用于打破统一资源定位器(URL)的字符串在组件(寻址方案,网络位置,路径等)之间的隔断,为了结合组件到一个 URL 字符串,并将“相对 URL”转化为一个绝对 URL,称之为“基本 URL”。
    • tldextract – 从 URL 的注册域和子域中准确分离 TLD,使用公共后缀列表。
  • 网络地址
    • netaddr – 用于显示和操纵网络地址的 Python 库。

网页内容提取

提取网页内容的库。

  • HTML 页面的文本和元数据
    • newspaper – 用 Python 进行新闻提取、文章提取和内容策展。
    • html2text – 将 HTML 转为 Markdown 格式文本。
    • python-goose – HTML 内容/文章提取器。
    • lassie – 人性化的网页内容检索工具
    • micawber – 一个从网址中提取丰富内容的小库。
    • sumy -一个自动汇总文本文件和 HTML 网页的模块
    • Haul – 一个可扩展的图像爬虫。
    • python-readability – arc90 readability 工具的快速 Python 接口。
    • scrapely – 从 HTML 网页中提取结构化数据的库。给出了一些 Web 页面和数据提取的示例,scrapely 为所有类似的网页构建一个分析器。
  • 视频
    • youtube-dl – 一个从 YouTube 下载视频的小命令行程序。
    • you-get – Python3 的 YouTube、优酷/ Niconico 视频下载器。
  • 维基
    • WikiTeam – 下载和保存 wikis 的工具。

WebSocket

用于 WebSocket 的库。

  • Crossbar – 开源的应用消息传递路由器(Python 实现的用于 Autobahn 的 WebSocket 和 WAMP)。
  • AutobahnPython – 提供了 WebSocket 协议和 WAMP 协议的 Python 实现并且开源。
  • WebSocket-for-Python – Python 2 和 3 以及 PyPy 的 WebSocket 客户端和服务器库。

DNS 解析

  • dnsyo – 在全球超过 1500 个的 DNS 服务器上检查你的 DNS。
  • pycares – c-ares 的接口。c-ares 是进行 DNS 请求和异步名称决议的 C 语言库。

计算机视觉

  • OpenCV – 开源计算机视觉库。
  • SimpleCV – 用于照相机、图像处理、特征提取、格式转换的简介,可读性强的接口(基于 OpenCV)。
  • mahotas – 快速计算机图像处理算法(完全使用 C++ 实现),完全基于 numpy 的数组作为它的数据类型。

代理服务器

  • Shadowsocks – 一个快速隧道代理,可帮你穿透防火墙(支持 TCP 和 UDP,TFO,多用户和平滑重启,目的 IP 黑名单)。
  • tproxy – tproxy 是一个简单的 TCP 路由代理(第 7 层),基于 Gevent,用 Python 进行配置。

其他 Python 工具列表

  • awesome-python
  • pycrumbs
  • python-github-projects
  • python_reference
  • pythonidae

唉。受到了某些事情的强烈刺激,还是好好学 Python 吧。

沈唁志|一个PHPer的成长之路! 原创文章采用CC BY-NC-SA 4.0协议进行许可,转载请注明:转载自:【收藏】Python 爬虫的工具列表大全

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏顶级程序员

干货 | Python 爬虫的工具列表大全

源 / 伯乐头条 这个列表包含与网页抓取和数据处理的Python库。 网络 通用 urllib -网络库(stdlib)。 requests -网络库。 gr...

42560
来自专栏腾讯Bugly的专栏

Redex 初探与 Interdex:Andorid 冷启动优化

导语 早在去年10月份,facebook就发布了介绍redex的文章,这个据说可以直接对apk做处理,既提高启动性能,又可减少安装包的利器让安卓开发者们都心动不...

69060
来自专栏北京马哥教育

快收藏!史上最全156个Python网络爬虫资源

awesome系列真是碉堡了~今天把Python的爬虫工具搬过来~ ——————译文分割线—————— 本列表包含Python网页抓取和数据处理相关的库。 网络...

40540
来自专栏CDA数据分析师

Python 爬虫的工具列表

这个列表包含与网页抓取和数据处理的Python库 网络 通用 urllib -网络库(stdlib)。 requests -网络库。 grab – 网络库(基于...

428100
来自专栏北京马哥教育

干货 | 史上最全的 Python 爬虫工具列表大全

来源:伯乐在线 这个列表包含与网页抓取和数据处理的Python库。 网络 通用 urllib -网络库(stdlib)。 requests -网络库。 gra...

826140
来自专栏Python数据科学

要成为一个专业的爬虫大佬,你还需要了解这些

本文内容参考Github:https://github.com/lorien/awesome-web-scraping/blob/master/python.m...

41010
来自专栏阿杜的世界

【译】Go语言编程模式

在2016年伦敦举办的QCon大会上,Peter Bourgon做了《六年Go语言设计经验》的报告,重点探讨了在使用Go进行开发时的编程模式和反模式。在这里,我...

12130
来自专栏拂晓风起

node.js WebService异常处理(domain)以及利用domain实现request生命周期的全局变量

17630
来自专栏大数据文摘

维基百科中的数据科学:手把手教你用Python读懂全球最大百科全书

几年前谁能想到,匿名贡献者们的义务工作竟创造出前所未有的巨大在线知识库?维基百科不仅是你写大学论文时最好的信息渠道,也是一个极其丰富的数据源。

16830
来自专栏CSDN技术头条

NewSQL数据库大对象块存储原理与应用

一、前言 企业内容管理(EnterpriseContent Management,ECM)系统是一种管理非结构化内容的系统,传统代表为EMC Document...

28650

扫码关注云+社区

领取腾讯云代金券