好程序员Python培训分享Python爬虫工具列表大全-创新互联

  好程序员Python 培训分享 Python 爬虫工具列表大全, 网络 。

专注于为中小企业提供成都做网站、网站建设服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业岳阳县免费做网站提供优质的服务。我们立足成都,凝聚了一批互联网行业人才,有力地推动了上千家企业的稳健成长,帮助中小企业通过网站建设实现规模扩充和转变。

   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。

   /tupian/20230522/ – 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


本文标题:好程序员Python培训分享Python爬虫工具列表大全-创新互联
本文来源:http://scyanting.com/article/dipipo.html