【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。

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