当前位置: 首页 / 技术分享 / 正文
好程序员Python培训分享Python爬虫工具列表大全

2020-08-03

Python培训

  好程序员Python培训分享Python爬虫工具列表大全,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。

Python2

  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 PythonHTTP/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requestsAPI(基于twisted)。

  aiohttp asyncioHTTP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 PythonHTTP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 Python2/3的字符编码器。

  xpinyin – 一个将zhongguo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

  awesome-slugify – 一个可以保留unicodePython slugify库。

  python-slugify – 一个可以将Unicode转为ASCIIPython 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 lexyacc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 PythonHTTP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XLSCSVJSONYAML等格式的模块。

  textract – 从各种文件中提取文本,比如 WordPowerPointPDF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CSVHTMLXLSTXT – 将来还会提供更多!)。

  Office

  python-docx – 读取,查询和修改的Microsoft Word2007/2008docx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 GruberMarkdown

  Mistune – 速度最快,功能全面的MarkdownPython解析器。

  markdown2 – 一个完全用Python实现的快速的Markdown

  YAML

  PyYAML – 一个PythonYAML解析器。

  CSS

  cssutils – 一个PythonCSS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zuihao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PyQtwebkit的封装(需要PyQT)。

  Spynner – 对PyQtwebkit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 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 GearmanPython API

  云计算

  picloud – 云端执行Python代码。

  http://dominoup.com – 云端执行RPythonmatlab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 Python3YouTube、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AutobahnWebSocketWAMP)。

  AutobahnPython – 提供了WebSocket协议和WAMP协议的Python实现并且开源。

  WebSocket-for-Python Python 23以及PyPyWebSocket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TCPUDPTFO,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

好程序员公众号

  • · 剖析行业发展趋势
  • · 分享大厂面试心得
  • · 汇聚企业项目源码
  • · 下载全套高精尖教程

好程序员开班动态

More+
  • HTML5大前端 <高端班>

    开班时间:2021-04-12(深圳)

    开班盛况

    开班时间:2021-05-17(北京)

    开班盛况
  • 大数据+人工智能 <高端班>

    开班时间:2021-03-22(杭州)

    开班盛况

    开班时间:2021-04-26(北京)

    开班盛况
  • JavaEE分布式开发 <高端班>

    开班时间:2021-05-10(北京)

    开班盛况

    开班时间:2021-02-22(北京)

    开班盛况
  • Python人工智能+数据分析 <高端班>

    开班时间:2021-07-12(北京)

    预约报名

    开班时间:2020-09-21(上海)

    开班盛况
  • 云计算开发 <高端班>

    开班时间:2021-07-12(北京)

    预约报名

    开班时间:2019-07-22(北京)

    开班盛况
在线咨询
免费试听
入学教程
立即报名

Copyright 2011-2020 北京千锋互联科技有限公司 .All Right 京ICP备12003911号-5 京公安网11010802011455号