Python学习干货 史上最全的 Python 爬虫工具列表大全
来源:马哥教育
链接:https://mp.weixin.qq.com/s/UkXT20Oko6oYbeo7zavCNA
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。
· 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
· 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
本文系转载,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。
本文系转载,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。