156个Python网络爬虫资源,妈妈再也不用担心你找不到资源了

本列表包含Python网页抓取和数据处理相关的库。

网络相关

通用

urllib – 网络库(标准库)

requests – 网络库

grab – 网络库(基于pycurl)

pycurl – 网络库 (与libcurl绑定)

urllib3 – 具有线程安全连接池、文件psot支持、高可用的Python HTTP库

httplib2 – 网络库

RoboBrowser – 一个无需独立浏览器即可访问网页的简单、pythonic的库

MechanicalSoup – 能完成自动网站交互的Python库

mechanize – 有状态、可编程的网页浏览库。

socket – 底层网络接口(标准库)

Unirest for Python – 一套支持多种语言的轻量级HTTP库

hyper – Python HTTP/2客户端

PySocks – SocksiPy持续更新并维护的版本,指出bug修复和一些其他功能,可以作为socket模块的替代品

异步

treq – 基于twisted、与requests类似的API

aiohttp – asyncio的HTTP客户端/服务器 (PEP-3156)

网络爬虫框架

全能型爬虫

grab – 网络爬虫框架(基于pycurl/multicurl)

scrapy – 网络爬虫框架(基于twisted)

pyspider – 一个强力的爬虫系统

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资源库。允许影虎简单的访问HTTP资源并用来创建项目

demiurge – 基于PyQuery的微型爬虫框架

HTML/XML解析

通用

lxml – 高效的HTML/XML处理库。支持XPATH,用C语言写成

cssselect – 解析DOM树和css选择器

pyquery – 解析DOM树和jQuery选择器

BeautifulSoup – Python写成的低效HTML/XMl处理库

html5lib – 根据WHATWG规范生成HTML/ XML文档的DOM。WHATWG规范是现在浏览器的通行规范

feedparser – 解析RSS/ATOM信息流

MarkupSafe – Python的XML/HTML/XHTML安全转义字符串工具

xmltodict – 让你处理XML如同处理JSON一样

xhtml2pdf – HTML/CSS to PDF转化器

untangle – 讲XML文档转化为Python项目以简化处理难度

hodor – 支持lxml and cssselect的配置驱动包装工具

清理

Bleach – 清理HTML (需求html5lib)

sanitize – 将混乱的数据世界恢复清楚

文本处理

解析及操作文本的库

通用

difflib – 差异化计算工具(Python标准库)

Levenshtein – 快速计算编辑距离及字符串相似度

fuzzywuzzy – 模糊字符串比匹配

esmre – 正则表达式加速器.

ftfy – 将Unicode文本自动整理减少碎片化

转换

unidecode – Unicode转化为ASCII文本

字符编码

uniout – 将转移字符串输出为可读形式

chardet – Python 2/3兼容字符编码检测器

xpinyin – 讲汉字转为拼音的库

pangu.py – CJK及字母数字文本间距格式化

Slug化

awesome-slugify – 可保留Unicode的Python slugify库

python-slugify – 讲Unicode转为ASCII的Python slugify库

unicode-slugify – unicode slugs生成工具

通用解析器

PLY – Python lex和yacc解析工具

pyparsing – 用于生成解析器的通用框架

人名

python-nameparser – 姓名解析组件

电话号码

phonenumbers – 处理、格式化、存储、验证全球电话号码

用户代理字符串

python-user-agents – 浏览器用户代理解析器

HTTP Agent Parser – Python HTTP代理解析器

fake-useragent – 基于全球浏览器统计的Python用户代理欺骗器

user_agent – 用户代理数据生成器

特殊格式处理

处理特编辑特殊字符格式的库

通用

tablib – 处理XLS, CSV, JSON, YAML等表格数据的库

textract – 从任何文档中提取文本,支持Word, PowerPoint, PDF等

messytables – 杂乱的表格数据解析

rows – 支持多种格式的通用且美观的表格数据处理器(现有CSV, HTML, XLS, TXT — 即将支持更多)

Office

python-docx – 阅读,查询和修改Microsoft Word 2007/2008 docx文件

xlwt / xlrd – 从Excel读取及写入数据和格式化信息

XlsxWriter – 用于穿件Excel .xlsx文件的Python模块

xlwings – 一个BSD许可的库,是Excel与Python互相调用更加简单

openpyxl – 可读取、编辑Excel 2010xlsx/xlsm/xltx/xltm文件的库

Marmir – 提取Python数据结构并将其转化为表格的库

PDF

PDFMiner – 从PDF文档中提取信息的工具

PyPDF2 – 一个分割、合并、转换PDF文件的库

ReportLab – 可以快速创建大量PDF文档

pdftables – 从PDF文件中精准提取表格

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 – 一个无验证的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

Microformats

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

自然语言处理库

NLTK – Python自然语言处理领先者

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 – 为深入处理自然语言的项目提供API,参考了NLTK及其他

jieba – 中文分词

SnowNLP – 汉字文本处理库

loso – 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 – 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

langdetect – Python的谷歌语言检测库端口

浏览器自动化与仿真

浏览器

selenium – 自动化真实浏览器(Chrome, Firefox, Opera, IE)

Ghost.py – QtWebKit封装(需求PyQT)

Spynner – 具备AJAX支持的程序化网页浏览模块

Splinter – 通用API浏览器模拟器(selenium web驱动,Django客户端,Zope)

Headless工具

xvfbwrapper – 用于在X虚拟帧缓冲区(Xvfb)中运行显示的Python包装器

多进程并发

threading – Python标准库的多线程运行。因为python GIL限制,对于I/O密集型任务很有效,对于CPU绑定的任务没用

multiprocessing – 多进程标准库

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模块提供用于异步执行callable的高级接口

异步

异步网络编程库

asyncio – 异步I/O,时间循环,协同程序和任务(Python 3.4以上版本的Python标准库)

Twisted – 基于事件驱动的网络引擎框架

Tornado – 一个Web框架及异步网络库

pulsar – Python事件驱动的并发框架

diesel – Python的基于Greenlet的I/O框架

gevent – 一个基于协同程序的Python网络库,使用greenlet

eventlet – 有WSGI支持的异步框架

Tomorrow – 异步代码的魔法

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 – 在云端执行Python

dominoup.com – 在云端执行R, Python及matlab代码

电子邮件

电子邮件处理库

flanker – 电子邮件及MIME处理库

Talon – Mailgun库用于提取消息的报价和签名

URL和网络地址操作

URL和网络地址操作库

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”(标准库)

tldextract – 使用公共后缀列表从URL的注册域和子域中准确分离TLD

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

网页内容提取库

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型库

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

libextract – 从网站提取数据

视频

youtube-dl – 一个从YouTube下载视频的小型命令行工具

you-get – Python3写成的YouTube/Youku/Niconico视频下载工具

Wiki

WikiTeam – 下载并保存wkiks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 – ic-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

杂项

user_agent – 此模块用于生成随机,有效的Web导航器的配置和用户代理HTTP header

其他

awesome-python

pycrumbs

python-github-projects

python_reference

pythonidae

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180313A1MLVO00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券