要成为一个专业的爬虫大佬,你还需要了解这些

关键时刻,第一时间送达!

本文参考以下文章,并经由部分翻译和内容编辑而成。

原创作者:Gregory Petukhov

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

全文阅读需要2分钟

大家常说Python是爬虫非常好的工具,其实是有原因的。Python拥有非常丰富的库可以使用,各种能想到的工具早已由牛人造出轮子,我们利用这些便利舒服的写着我们的爬虫。可能因为学习和工作的局限性,我们只知道常用的库,其实很多非常优秀的库也非常值得我们深究和学习,那么到底Python的库能丰富到什么程度?

本次与分大家分享关于网络爬虫的相关库以及介绍,希望爬虫的爱好者们在爬虫的路上越走越远,成为爬虫界的大佬

1

网络

爬虫中通用的网络库

通用

urllib:网络库(stdlib)。

requests:网络库。

grab:网络库(基于pycurl)。

pycurl:网络库(与libcurl绑定)。

urllib3:Python HTTP库,线程安全连接池、文件post支持、高可用性。

httplib2:网络库。

RoboBrowser:一个简单,并具有Pythonic风格的爬取库,可以浏览网页而无需独立的浏览器。

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:一套可用于多种语言的轻量级HTTP库。

hyper:对于Python的HTTP/2客户端。

PySocks:更新并积极维护SocksiPy的版本,包括错误修复和额外的特征。可以作为socket模块的直接替换。

异步

treq:类似于API的requests(基于twisted)。

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

2

网络爬虫框架

爬虫中比较流行的开源框架

功能强大的爬虫框架

grab:网络爬虫框架(基于pycurl/multicur)。

scrapy:网络爬虫框架(基于twisted)。

pyspider:一个强大的爬虫系统。

cola:一个分布式的爬虫框架。

其他

portia: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。

requests-html:Python风格的HTML解析工具,面向人类,易于操作。

3

HTML/XML解析器

爬虫中解析库工具

通用

lxml:由C语言编写,是一个高效HTML/ XML处理库,并支持XPath。

cssselect:使用CSS选择器解析DOM树。

pyquery:使用jQuery选择器解析DOM树。

BeautifulSoup:低效HTML/ XML处理库,纯Python实现。

html5lib:根据WHATWG规范创建的HTML/ XML文档的DOM。该规范被用在所有流行的浏览器上。

feedparser:解析RSS/ATOM feeds。

MarkupSafe:实现了Python中对XML/HTML/XHTML安全转义字符串的功能。

xmltodict: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:实现将XML文件转换为Python对象,以方便操作。

hodor:以lxml和cssselect为主的配置驱动包装器。

chopper:使用相应的CSS规则提取HTML网页的工具,并储存正确的HTML。

selectolax:Python绑定到Modest引擎上(使用CSS选择器的快速HTML5解析器)。

清理

Bleach:清理HTML(需要html5lib)。

sanitize:为混乱的数据世界带来清明。

4

文本处理

用于解析和操作简单文本的库

通用

difflib:(Python标准库)帮助进行差异化计算。

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:实现自动整理Unicode文本,并减少碎片化。

转换

unidecode:可以将Unicode文本转为ASCII。

字符编码

uniout :打印可读字符,而替代被转义的字符串。

chardet:兼容 Python的2/3的字符编码器。

xpinyin:一个将中国汉字(漢字)转为拼音(拼音)的库。

pangu.py:可以调整文本中CJK和字母数字的间距。

cchardet:cChardet是一个高速统一的字符编码检测器,与uchardet绑定。

Slug化

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:可以解析人的名字。

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。

fake-useragent:基于浏览器的词汇统计,实现Python 用户代理(ua)字符串的伪造。

user_agent:用户代理(ua)数据生成器。

5

特定格式处理

解析和处理特定文本格式的库

通用

tablib: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:创建Excel.xlsx文件的Python模块。

xlwings:BSD许可的库,可以很容易地在Excel中调用Python,反之亦然。

openpyxl: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:从PDF文档中提取信息的工具。

PyPDF2: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: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:完全用Python实现的快速的Markdown。

YAML

PyYAML:Python的YAML解析器。

CSS

cssutils:Python的CSS库。

ATOM/RSS

feedparser:通用的feed解析器。

SQL

sqlparse: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:用来解析Open Graph协议标签的Python模块。

可移植的执行体

pefile: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。

6

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。

7

浏览器自动化仿真

浏览器自动化工具

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)。

8

多重处理

多进程多线程的工具库

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。

9

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。

grequests- Make asynchronous HTTP Requests easily.

10

队列

爬虫中关于队列的库

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。

11

云计算

关于云计算的两个库

picloud:云端执行Python代码。

dominoup.com:云端执行R,Python和matlab代码。

12

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。

13

URL和网络地址

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。

micawber:一个微库,可以从URLs上提取丰富的内容。

14

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。

python-goose:HTML内容/文章提取器。

scrapely:从HTML网页中提取结构化数据的库。基于一些示例网页和被提取数据,scrapely为所有类似的网页构建一个分析器。

HTML页面元数据

htmldate:使用常用结构化模式或基于文本的探索法寻找创建日期。

lassie:人性化的网页内容检索工具。

HTML页面的文本/数据

html2text:将HTML转为Markdown格式文本。

libextract:从网站提取数据。

sumy:一个自动汇总文本文件和HTML网页的模块。

python-readability:arc90 readability工具的快速Python接口。

图像

Haul:一个可扩展的图像爬虫。

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。

15

WebSocket库

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。

16

DNS解析

DNS解析库

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。

17

计算机视觉

计算机视觉(CV)的库

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。

18

代理服务器

关于代理服务器的一些库

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。

19

其它Python工具

其它分类的一些好用的库

awesome-python

pycrumbs

python-github-projects

python_reference

pythonidae

最后想说的是,工具库非常多,且每个库都有自己的特点,我们不必全部掌握,也没有那个精力和时间,根据需求选择。但是作为爬虫学习,我们可以看看别人具体是如何实现的,以及发现一些好的想法,这对于我们自己的提升是非常有帮助的。

  • 发表于:
  • 原文链接:https://kuaibao.qq.com/s/20180829G0OR1O00?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