首页
所有分类
TAGS
文字工具 EMOJI BIBLE
编程 Python

Python 爬虫的工具列表大全

Posted in Python onJanuary 31, 2016

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

  • 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。

其他Python工具列表

  • awesome-python

  • pycrumbs

  • python-github-projects

  • python_reference

  • pythonidae

Python 爬虫的工具列表大全

- Author -

mdxy-dxy

声明：登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。

Python 相关文章推荐
python基础教程之类class定义使用方法
Feb 20 Python
Python判断文本中消息重复次数的方法
Apr 27 Python
Python数据报表之Excel操作模块用法分析
Mar 11 Python
python实现一个点绕另一个点旋转后的坐标
Dec 04 Python
django框架使用views.py的函数对表进行增删改查内容操作详解【models.py中表的创建、views.py中函数的使用，基于对象的跨表查询】
Dec 12 Python
Python 实现Image和Ndarray互相转换
Feb 19 Python
你需要学会的8个Python列表技巧
Jun 24 Python
一个非常简单好用的Python图形界面库(PysimpleGUI)
Dec 28 Python
python使用numpy中的size()函数实例用法详解
Jan 29 Python
Python采集爬取京东商品信息和评论并存入MySQL
Apr 12 Python
Python内置的数据类型及使用方法
Apr 13 Python
Python实现双向链表
May 25 Python
python在不同层级目录import模块的方法
Jan 31 #Python
在Python中移动目录结构的方法
Jan 31 #Python
python嵌套函数使用外部函数变量的方法(Python2和Python3)
Jan 31 #Python
python 爬取微信文章
Jan 30 #Python
python生成验证码图片代码分享
Jan 28 #Python
详解Python网络爬虫功能的基本写法
Jan 28 #Python
Python3实现Web网页图片下载
Jan 28 #Python
Scheduled(1) Date(1) 扫雷(1) 双向链表(6) NumPy(2) 模拟登录(1) 单向链表(1) 区块链(2) router(1) 路由(1)
You might like
php生成EXCEL的东东
2006/10/09 PHP
php图片加水印原理(超简单的实例代码)
2013/01/18 PHP
对于ThinkPHP框架早期版本的一个SQL注入漏洞详细分析
2014/07/04 PHP
php导入模块文件分享
2015/03/17 PHP
jQuery Tab插件 用于在Tab中显示iframe，附源码和详细说明
2011/06/27 Javascript
JavaScript的MVVM库Vue.js入门学习笔记
2016/05/03 Javascript
关于数据与后端进行交流匹配(点亮星星)
2016/08/03 Javascript
基于JS+Canves实现点击按钮水波纹效果
2016/09/15 Javascript
JavaScript如何实现图片懒加载(lazyload) 提高用户体验(增强版)
2016/11/30 Javascript
node.js实现微信JS-API封装接口的示例代码
2017/09/06 Javascript
实例详解vue.js浅度监听和深度监听及watch用法
2018/08/16 Javascript
jQuery移动端跑马灯抽奖特效升级版(抽奖概率固定)实现方法
2019/01/18 jQuery
利用d3.js实现蜂巢图表带动画效果
2019/09/03 Javascript
详解如何在Javascript和Sass之间共享变量
2019/11/13 Javascript
深入了解Vue.js 混入（mixins）
2020/07/23 Javascript
javascript局部自定义鼠标右键菜单
2020/12/08 Javascript
[55:35]DOTA2-DPC中国联赛 正赛 CDEC vs Dragon BO3 第二场 1月22日
2021/03/11 DOTA
python使用cPickle模块序列化实例
2014/09/25 Python
Django中redis的使用方法(包括安装、配置、启动)
2018/02/21 Python
从DataFrame中提取出Series或DataFrame对象的方法
2018/11/10 Python
Python数据类型之Tuple元组实例详解
2019/05/08 Python
python中selenium操作下拉滚动条的几种方法汇总
2019/07/14 Python
python3应用windows api对后台程序窗口及桌面截图并保存的方法
2019/08/27 Python
使用python 的matplotlib 画轨道实例
2020/01/19 Python
Python3 获取文件属性的方式(时间、大小等)
2020/03/12 Python
python中random模块详解
2021/03/01 Python
意大利会呼吸的鞋：Geox健乐士
2017/02/12 全球购物
输入一行文字，找出其中大写字母、小写字母、空格、数字、及其他字符各有多少
2016/04/15 面试题
地球一小时倡议书
2014/04/15 职场文书
5.12护士节演讲稿
2014/04/30 职场文书
村庄绿化方案
2014/05/07 职场文书
2015年高考寄语或鼓励的话
2015/03/23 职场文书
演讲比赛通讯稿
2015/07/18 职场文书
学习十八大的感悟
2015/08/11 职场文书
如何用python绘制雷达图
2021/04/24 Python
JavaScript中的LHS和RHS分析详情
2022/04/06 Javascript