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。
爬虫的工具列表">
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。http://www.cda.cn/view/17051.html

Python 爬虫的工具列表的更多相关文章

  1. Python 爬虫的工具列表 附Github代码下载链接

    Python爬虫视频教程零基础小白到scrapy爬虫高手-轻松入门 https://item.taobao.com/item.htm?spm=a1z38n.10677092.0.0.482434a6E ...

  2. Python 爬虫的工具列表大全

    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pyc ...

  3. 【转】Python 爬虫的工具列表【预】

    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 ...

  4. 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pycurl). pycurl - 网络 ...

  5. [转] Python 爬虫的工具列表 附Github代码下载链接

    转自http://www.36dsj.com/archives/36417 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 - ...

  6. Python爬虫开发者工具介绍

    前言 本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. chrome 开发者工具 当我们爬取不同的网站时,每个网站页面的实现方式各不相同,我们需要对 ...

  7. 零基础教你写python爬虫

    大家都知道python经常被用来做爬虫,用来在互联网上抓取我们需要的信息. 使用Python做爬虫,需要用到一些包: requests urllib BeautifulSoup 等等,关于python ...

  8. Python爬虫目录

    Python爬虫目录 工具使用 Pycharm 连接Linux 远程开发 mongodb在windows下安装启动 爬虫抓包工具Fiddle设置 爬虫抓包工具Charles设置 爬虫工具fiddle在 ...

  9. 洗礼灵魂,修炼python(52)--爬虫篇—【转载】爬虫工具列表

    与爬虫相关的常用模块列表. 原文出处:传送门链接 网络 通用 urllib -网络库(stdlib). requests -网络库. grab – 网络库(基于pycurl). pycurl – 网络 ...

随机推荐

  1. Python3.8新特性-- 海象操作符

    “理论联系实惠,密切联系领导,表扬和自我表扬”——我就是老司机,曾经写文章教各位怎么打拼职场的老司机. 不记得没关系,只需要知道:有这么一位老司机, 穿上西装带大家打拼职场! 操起键盘带大家打磨技术! ...

  2. QTP(11)

    练习:录制Flight登录-打开1-10之间随机编号的订单-退出,打开完订单后,退出前,使用msgbox输出“顾客x预定了y从z到w的c类型的k张票!”说明:x是顾客姓名.y是日期.z是FlyFrom ...

  3. Java程序向MySql数据库中插入的中文数据变成了问号

    找到mysql的安装目录,修改my.ini文件 (1)如何找到my.ini文件 如果my.ini文件不在MySQL的安装目录下,可能放在隐藏目录,要先去找到ProgramData,(这里要先打开显示隐 ...

  4. zencart清空产品商品实用命令

    TRUNCATE TABLE categories; TRUNCATE TABLE categories_description;TRUNCATE TABLE meta_tags_categories ...

  5. VSCode远程连接Docker

    一.Docker开启远程访问 [root@local host ~]# vi /lib/systemd/system/docker.service #修改ExecStart这行 ExecStart=/ ...

  6. [易学易懂系列|rustlang语言|零基础|快速入门|(27)|实战4:从零实现BTC区块链]

    [易学易懂系列|rustlang语言|零基础|快速入门|(27)|实战4:从零实现BTC区块链] 项目实战 实战4:从零实现BTC区块链 我们今天来开发我们的BTC区块链系统. 简单来说,从数据结构的 ...

  7. Typescript玩转设计模式 之 创建型模式

    作者简介 joey 蚂蚁金服·数据体验技术团队 前言 我们团队的工作是用单页面应用的方式实现web工具.涉及到数万到十数万行的前端代码的管理,而且项目周期长达数年. 怎么样很好地管理好这种量级的前端代 ...

  8. JDK8日期处理API(转)

    转载地址:http://www.cnblogs.com/comeboo/p/5378922.html 转载地址:http://blog.csdn.net/hspingcc/article/detail ...

  9. CSS3 animation属性 实现转动效果

    <!DOCTYPE html> <html lang="en"> <head>     <meta charset="UTF-8 ...

  10. C# socket异步通讯

    Server: using System; using System.Net; using System.Net.Sockets; using System.Text; namespace TCP_S ...