三分彩计划软件手机版:Python 爬虫的工具列表

  • A+
所属分类:python

这个列表包含与网页抓取和数据处理的Python

1. 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??榈闹苯犹婊?。

异步

  • treq?– 类似于requests的API(基于twisted)。
  • aiohttp?– asyncio的HTTP客户端/服务器(PEP-3156)。

2. 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。

3. 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???。
  • 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。

4. 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。

5. 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???。
  • 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???。
  • 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???。
  • 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???。
  • PSD
  • psd-tools?– 将Adobe Photoshop PSD(即PE)文件读取到Python数据结构。

6. 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???。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。

7. 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)。

8. 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 ??槲饔靡觳街葱刑峁┝艘桓龈卟愦蔚慕涌?。

9. 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。

10. 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。

11. 云计算

  • picloud?– 云端执行Python代码。
  • dominoup.com?– 云端执行R,Python和matlab代码。

12. 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。

13. 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。

14. 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???/li>
  • 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。

15. WebSocket的库

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。

16. 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。

17. 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。

18. 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。

19. 其他Python工具列表

weinxin
微信公众号
扫一扫关注运维生存时间公众号,获取最新技术文章~

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen:

目前评论:5   其中:访客  5   博主  0

    • Tony 0

      嗨!

      这是另一个链接给你 – PyXLL – https://www.pyxll.com.

      PyXLL enables you to write full featured Excel Add-Ins in Python.

      Features include:

      – Write Excel user defined functions and macros in Python
      – Extend the Excel UI with menu functions and custom ribbons
      – Stream real time data to Excel from Python
      – Asynchronous and thread safe functions
      – Customizable type system for handling Excel Python type conversion
      – Reload Python code without restarting Excel

      谢谢!
      Tony

      • 码客 1

        这么多,一般用的也就那几个而已

        • Honest1y 0

          收藏了

          • 匿名 9

            scrapy支持python3
            https://docs.scrapy.org/en/latest/intro/install.html
            Scrapy runs on Python 2.7 and Python 3.4 or above under CPython (default Python implementation) and PyPy (starting with PyPy 5.9).

            • 钟水洲博客 0

              拜个早年