python爬蟲庫

轉(zhuǎn)載自http://python.jobbole.com/82633/
這個列表包含與網(wǎng)頁抓取和數(shù)據(jù)處理的Python庫

網(wǎng)絡(luò)

  • 通用
    • urllib -網(wǎng)絡(luò)庫(stdlib)虹脯。
    • requests -網(wǎng)絡(luò)庫。
    • grab – 網(wǎng)絡(luò)庫(基于pycurl)盟榴。
    • pycurl – 網(wǎng)絡(luò)庫(綁定libcurl)。
    • urllib3 – Python HTTP庫痊硕,安全連接池妨托、支持文件post、可用性高劳淆。
    • httplib2 – 網(wǎng)絡(luò)庫。
    • RoboBrowser – 一個簡單的默赂、極具Python風(fēng)格的Python庫沛鸵,無需獨(dú)立的瀏覽器即可瀏覽網(wǎng)頁。
    • MechanicalSoup -一個與網(wǎng)站自動交互Python庫缆八。
    • mechanize -有狀態(tài)曲掰、可編程的Web瀏覽庫。
    • socket – 底層網(wǎng)絡(luò)接口(stdlib)奈辰。
    • Unirest for Python – Unirest是一套可用于多種語言的輕量級的HTTP庫栏妖。
    • hyper – Python的HTTP/2客戶端。
    • PySocks – SocksiPy更新并積極維護(hù)的版本冯挎,包括錯誤修復(fù)和一些其他的特征。作為socket模塊的直接替換咙鞍。
  • 異步
    • treq – 類似于requests的API(基于twisted)房官。
    • aiohttp – asyncio的HTTP客戶端/服務(wù)器(PEP-3156)。

網(wǎng)絡(luò)爬蟲框架

  • 功能齊全的爬蟲
    • grab – 網(wǎng)絡(luò)爬蟲框架(基于pycurl/multicur)续滋。
    • scrapy – 網(wǎng)絡(luò)爬蟲框架(基于twisted)翰守,不支持Python3。
    • pyspider – 一個強(qiáng)大的爬蟲系統(tǒng)疲酌。
    • cola – 一個分布式爬蟲框架蜡峰。
  • 其他
    • portia – 基于Scrapy的可視化爬蟲了袁。
    • restkit – Python的HTTP資源工具包。它可以讓你輕松地訪問HTTP資源湿颅,并圍繞它建立的對象载绿。
    • demiurge – 基于PyQuery的爬蟲微框架。

HTML/XML解析器

  • 通用
    • lxml – C語言編寫高效HTML/ XML處理庫油航。支持XPath崭庸。
    • cssselect – 解析DOM樹和CSS選擇器。
    • pyquery – 解析DOM樹和jQuery選擇器谊囚。
    • BeautifulSoup – 低效HTML/ XML處理庫怕享,純Python實(shí)現(xiàn)。
    • html5lib – 根據(jù)WHATWG規(guī)范生成HTML/ XML文檔的DOM镰踏。該規(guī)范被用在現(xiàn)在所有的瀏覽器上函筋。
    • feedparser – 解析RSS/ATOM feeds。
    • MarkupSafe – 為XML/HTML/XHTML提供了安全轉(zhuǎn)義的字符串奠伪。
    • xmltodict – 一個可以讓你在處理XML時(shí)感覺像在處理JSON一樣的Python模塊跌帐。
    • xhtml2pdf – 將HTML/CSS轉(zhuǎn)換為PDF。
    • untangle – 輕松實(shí)現(xiàn)將XML文件轉(zhuǎn)換為Python對象芳来。
  • 清理
    • Bleach – 清理HTML(需要html5lib)含末。
    • sanitize – 為混亂的數(shù)據(jù)世界帶來清明。

文本處理

用于解析和操作簡單文本的庫即舌。

  • 通用

  • difflib – (Python標(biāo)準(zhǔn)庫)幫助進(jìn)行差異化比較佣盒。

  • Levenshtein – 快速計(jì)算Levenshtein距離和字符串相似度。

  • fuzzywuzzy – 模糊字符串匹配顽聂。

  • esmre – 正則表達(dá)式加速器肥惭。

  • ftfy – 自動整理Unicode文本,減少碎片化紊搪。

  • 轉(zhuǎn)換

  • unidecode – 將Unicode文本轉(zhuǎn)為ASCII蜜葱。

  • 字符編碼

  • uniout – 打印可讀字符,而不是被轉(zhuǎn)義的字符串耀石。

  • chardet – 兼容 Python的2/3的字符編碼器牵囤。

  • xpinyin – 一個將中國漢字轉(zhuǎn)為拼音的庫。

  • pangu.py – 格式化文本中CJK和字母數(shù)字的間距滞伟。

  • Slug化

  • awesome-slugify – 一個可以保留unicode的Python slugify庫揭鳞。

  • python-slugify – 一個可以將Unicode轉(zhuǎn)為ASCII的Python slugify庫。

  • unicode-slugify – 一個可以將生成Unicode slugs的工具梆奈。

  • pytils – 處理俄語字符串的簡單工具(包括pytils.translit.slugify)野崇。

  • 通用解析器

  • PLY – lex和yacc解析工具的Python實(shí)現(xiàn)。

  • pyparsing – 一個通用框架的生成語法分析器亩钟。

  • 人的名字

  • python-nameparser -解析人的名字的組件乓梨。

  • 電話號碼

  • phonenumbers -解析鳖轰,格式化,存儲和驗(yàn)證國際電話號碼扶镀。

  • 用戶代理字符串

  • python-user-agents – 瀏覽器用戶代理的解析器蕴侣。

  • HTTP Agent Parser – Python的HTTP代理分析器。

特定格式文件處理

解析和處理特定文本格式的庫狈惫。

  • 通用

  • tablib – 一個把數(shù)據(jù)導(dǎo)出為XLS睛蛛、CSV、JSON胧谈、YAML等格式的模塊忆肾。

  • textract – 從各種文件中提取文本,比如 Word菱肖、PowerPoint客冈、PDF等。

  • messytables – 解析混亂的表格數(shù)據(jù)的工具稳强。

  • rows – 一個常用數(shù)據(jù)接口场仲,支持的格式很多(目前支持CSV,HTML退疫,XLS渠缕,TXT – 將來還會提供更多!)褒繁。

  • Office

  • python-docx – 讀取亦鳞,查詢和修改的Microsoft Word2007/2008的docx文件。

  • xlwt / xlrd – 從Excel文件讀取寫入數(shù)據(jù)和格式信息棒坏。

  • XlsxWriter – 一個創(chuàng)建Excel.xlsx文件的Python模塊燕差。

  • xlwings – 一個BSD許可的庫,可以很容易地在Excel中調(diào)用Python坝冕,反之亦然徒探。

  • openpyxl – 一個用于讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的庫。

  • Marmir – 提取Python數(shù)據(jù)結(jié)構(gòu)并將其轉(zhuǎn)換為電子表格喂窟。

  • PDF

  • PDFMiner – 一個從PDF文檔中提取信息的工具测暗。

  • PyPDF2 – 一個能夠分割、合并和轉(zhuǎn)換PDF頁面的庫磨澡。

  • ReportLab – 允許快速創(chuàng)建豐富的PDF文檔碗啄。

  • pdftables – 直接從PDF文件中提取表格。

  • Markdown

  • Python-Markdown – 一個用Python實(shí)現(xiàn)的John Gruber的Markdown钱贯。

  • Mistune – 速度最快挫掏,功能全面的Markdown純Python解析器侦另。

  • markdown2 – 一個完全用Python實(shí)現(xiàn)的快速的Markdown秩命。

  • YAML

  • PyYAML – 一個Python的YAML解析器尉共。

  • CSS

  • cssutils – 一個Python的CSS庫。

  • ATOM/RSS

  • feedparser – 通用的feed解析器弃锐。

  • SQL

  • sqlparse – 一個非驗(yàn)證的SQL語句分析器袄友。

  • HTTP

  • HTTP

  • http-parser – C語言實(shí)現(xiàn)的HTTP請求/響應(yīng)消息解析器。

  • 微格式

  • opengraph – 一個用來解析Open Graph協(xié)議標(biāo)簽的Python模塊霹菊。

  • 可移植的執(zhí)行體

  • pefile – 一個多平臺的用于解析和處理可移植執(zhí)行體(即PE)文件的模塊剧蚣。

  • PSD

  • psd-tools – 將Adobe Photoshop PSD(即PE)文件讀取到Python數(shù)據(jù)結(jié)構(gòu)。

自然語言處理

處理人類語言問題的庫旋廷。

  • NLTK -編寫Python程序來處理人類語言數(shù)據(jù)的最好平臺鸠按。
  • Pattern – Python的網(wǎng)絡(luò)挖掘模塊。他有自然語言處理工具饶碘,機(jī)器學(xué)習(xí)以及其它目尖。
  • TextBlob – 為深入自然語言處理任務(wù)提供了一致的API。是基于NLTK以及Pattern的巨人之肩上發(fā)展的扎运。
  • jieba – 中文分詞工具瑟曲。
  • SnowNLP – 中文文本處理庫。
  • loso – 另一個中文分詞庫豪治。
  • genius – 基于條件隨機(jī)域的中文分詞洞拨。
  • langid.py – 獨(dú)立的語言識別系統(tǒng)。
  • Korean – 一個韓文形態(tài)庫负拟。
  • pymorphy2 – 俄語形態(tài)分析器(詞性標(biāo)注+詞形變化引擎)烦衣。
  • PyPLN – 用Python編寫的分布式自然語言處理通道。這個項(xiàng)目的目標(biāo)是創(chuàng)建一種簡單的方法使用NLTK通過網(wǎng)絡(luò)接口處理大語言庫齿椅。

瀏覽器自動化與仿真

  • selenium – 自動化真正的瀏覽器(Chrome瀏覽器琉挖,火狐瀏覽器,Opera瀏覽器涣脚,IE瀏覽器)示辈。
  • Ghost.py – 對PyQt的webkit的封裝(需要PyQT)。
  • Spynner – 對PyQt的webkit的封裝(需要PyQT)遣蚀。
  • Splinter – 通用API瀏覽器模擬器(selenium web驅(qū)動矾麻,Django客戶端,Zope)芭梯。

多重處理

  • threading – Python標(biāo)準(zhǔn)庫的線程運(yùn)行险耀。對于I/O密集型任務(wù)很有效。對于CPU綁定的任務(wù)沒用玖喘,因?yàn)閜ython GIL甩牺。
  • multiprocessing – 標(biāo)準(zhǔn)的Python庫運(yùn)行多進(jìn)程。
  • celery – 基于分布式消息傳遞的異步任務(wù)隊(duì)列/作業(yè)隊(duì)列累奈。
  • concurrent-futures – concurrent-futures 模塊為調(diào)用異步執(zhí)行提供了一個高層次的接口贬派。

異步

異步網(wǎng)絡(luò)編程庫

  • asyncio – (在Python 3.4 +版本以上的 Python標(biāo)準(zhǔn)庫)異步I/O急但,時(shí)間循環(huán),協(xié)同程序和任務(wù)搞乏。
  • Twisted – 基于事件驅(qū)動的網(wǎng)絡(luò)引擎框架波桩。
  • Tornado – 一個網(wǎng)絡(luò)框架和異步網(wǎng)絡(luò)庫。
  • pulsar – Python事件驅(qū)動的并發(fā)框架请敦。
  • diesel – Python的基于綠色事件的I/O框架镐躲。
  • gevent – 一個使用greenlet 的基于協(xié)程的Python網(wǎng)絡(luò)庫。
  • eventlet – 有WSGI支持的異步框架侍筛。
  • Tomorrow – 異步代碼的奇妙的修飾語法萤皂。

隊(duì)列

  • celery – 基于分布式消息傳遞的異步任務(wù)隊(duì)列/作業(yè)隊(duì)列。
  • huey – 小型多線程任務(wù)隊(duì)列匣椰。
  • mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任務(wù)隊(duì)列敌蚜。
  • RQ – 基于Redis的輕量級任務(wù)隊(duì)列管理器。
  • simpleq – 一個簡單的窝爪,可無限擴(kuò)展弛车,基于Amazon SQS的隊(duì)列。
  • python-gearman – Gearman的Python API蒲每。

云計(jì)算

  • picloud – 云端執(zhí)行Python代碼纷跛。
  • dominoup.com – 云端執(zhí)行R,Python和matlab代碼邀杏。

電子郵件

電子郵件解析庫

  • flanker – 電子郵件地址和Mime解析庫贫奠。
  • Talon – Mailgun庫用于提取消息的報(bào)價(jià)和簽名。

網(wǎng)址和網(wǎng)絡(luò)地址操作

解析/修改網(wǎng)址和網(wǎng)絡(luò)地址庫望蜡。

  • URL

    • furl – 一個小的Python庫唤崭,使得操縱URL簡單化。
    • purl – 一個簡單的不可改變的URL以及一個干凈的用于調(diào)試和操作的API脖律。
    • urllib.parse – 用于打破統(tǒng)一資源定位器(URL)的字符串在組件(尋址方案谢肾,網(wǎng)絡(luò)位置,路徑等)之間的隔斷小泉,為了結(jié)合組件到一個URL字符串芦疏,并將“相對URL”轉(zhuǎn)化為一個絕對URL,稱之為“基本URL”微姊。
    • tldextract – 從URL的注冊域和子域中準(zhǔn)確分離TLD酸茴,使用公共后綴列表。
  • 網(wǎng)絡(luò)地址

    • netaddr – 用于顯示和操縱網(wǎng)絡(luò)地址的Python庫兢交。

網(wǎng)頁內(nèi)容提取

提取網(wǎng)頁內(nèi)容的庫薪捍。

  • HTML頁面的文本和元數(shù)據(jù)

    • newspaper – 用Python進(jìn)行新聞提取、文章提取和內(nèi)容策展。
    • html2text – 將HTML轉(zhuǎn)為Markdown格式文本酪穿。
    • python-goose – HTML內(nèi)容/文章提取器与倡。
    • lassie – 人性化的網(wǎng)頁內(nèi)容檢索工具
    • micawber – 一個從網(wǎng)址中提取豐富內(nèi)容的小庫。
    • sumy -一個自動匯總文本文件和HTML網(wǎng)頁的模塊
    • Haul – 一個可擴(kuò)展的圖像爬蟲昆稿。
    • python-readability – arc90 readability工具的快速Python接口。
    • scrapely – 從HTML網(wǎng)頁中提取結(jié)構(gòu)化數(shù)據(jù)的庫息拜。給出了一些Web頁面和數(shù)據(jù)提取的示例溉潭,scrapely為所有類似的網(wǎng)頁構(gòu)建一個分析器。
  • 視頻

    • youtube-dl – 一個從YouTube下載視頻的小命令行程序少欺。
    • you-get – Python3的YouTube喳瓣、優(yōu)酷/ Niconico視頻下載器。
  • 維基

    • WikiTeam – 下載和保存wikis的工具赞别。

WebSocket

用于WebSocket的庫畏陕。

  • Crossbar – 開源的應(yīng)用消息傳遞路由器(Python實(shí)現(xiàn)的用于Autobahn的WebSocket和WAMP)。
  • AutobahnPython – 提供了WebSocket協(xié)議和WAMP協(xié)議的Python實(shí)現(xiàn)并且開源仿滔。
  • WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和服務(wù)器庫惠毁。

DNS解析

  • dnsyo – 在全球超過1500個的DNS服務(wù)器上檢查你的DNS。
  • pycares – c-ares的接口崎页。c-ares是進(jìn)行DNS請求和異步名稱決議的C語言庫鞠绰。

計(jì)算機(jī)視覺

  • OpenCV – 開源計(jì)算機(jī)視覺庫。
  • SimpleCV – 用于照相機(jī)飒焦、圖像處理蜈膨、特征提取、格式轉(zhuǎn)換的簡介牺荠,可讀性強(qiáng)的接口(基于OpenCV)翁巍。
  • mahotas – 快速計(jì)算機(jī)圖像處理算法(完全使用 C++ 實(shí)現(xiàn)),完全基于 numpy 的數(shù)組作為它的數(shù)據(jù)類型休雌。

代理服務(wù)器

  • tproxy – tproxy是一個簡單的TCP路由代理(第7層)灶壶,基于Gevent,用Python進(jìn)行配置杈曲。

其他Python工具列表

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末例朱,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子鱼蝉,更是在濱河造成了極大的恐慌洒嗤,老刑警劉巖,帶你破解...
    沈念sama閱讀 223,126評論 6 520
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件魁亦,死亡現(xiàn)場離奇詭異渔隶,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,421評論 3 400
  • 文/潘曉璐 我一進(jìn)店門间唉,熙熙樓的掌柜王于貴愁眉苦臉地迎上來绞灼,“玉大人,你說我怎么就攤上這事呈野〉桶” “怎么了?”我有些...
    開封第一講書人閱讀 169,941評論 0 366
  • 文/不壞的土叔 我叫張陵被冒,是天一觀的道長军掂。 經(jīng)常有香客問我,道長昨悼,這世上最難降的妖魔是什么蝗锥? 我笑而不...
    開封第一講書人閱讀 60,294評論 1 300
  • 正文 為了忘掉前任,我火速辦了婚禮率触,結(jié)果婚禮上终议,老公的妹妹穿的比我還像新娘。我一直安慰自己葱蝗,他們只是感情好穴张,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,295評論 6 398
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著两曼,像睡著了一般陆馁。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上合愈,一...
    開封第一講書人閱讀 52,874評論 1 314
  • 那天腿箩,我揣著相機(jī)與錄音适贸,去河邊找鬼筹陵。 笑死闯参,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的寸莫。 我是一名探鬼主播捺萌,決...
    沈念sama閱讀 41,285評論 3 424
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼膘茎!你這毒婦竟也來了桃纯?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 40,249評論 0 277
  • 序言:老撾萬榮一對情侶失蹤披坏,失蹤者是張志新(化名)和其女友劉穎态坦,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體棒拂,經(jīng)...
    沈念sama閱讀 46,760評論 1 321
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡伞梯,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,840評論 3 343
  • 正文 我和宋清朗相戀三年玫氢,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片谜诫。...
    茶點(diǎn)故事閱讀 40,973評論 1 354
  • 序言:一個原本活蹦亂跳的男人離奇死亡漾峡,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出喻旷,到底是詐尸還是另有隱情生逸,我是刑警寧澤,帶...
    沈念sama閱讀 36,631評論 5 351
  • 正文 年R本政府宣布且预,位于F島的核電站槽袄,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏辣之。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,315評論 3 336
  • 文/蒙蒙 一皱炉、第九天 我趴在偏房一處隱蔽的房頂上張望怀估。 院中可真熱鬧,春花似錦合搅、人聲如沸多搀。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,797評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽康铭。三九已至,卻和暖如春赌髓,著一層夾襖步出監(jiān)牢的瞬間从藤,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,926評論 1 275
  • 我被黑心中介騙來泰國打工锁蠕, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留夷野,地道東北人。 一個月前我還...
    沈念sama閱讀 49,431評論 3 379
  • 正文 我出身青樓荣倾,卻偏偏與公主長得像悯搔,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子舌仍,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,982評論 2 361

推薦閱讀更多精彩內(nèi)容