歡迎光臨
每天分享高質量文章

乾貨 | 史上最全的 Python 爬蟲工具串列大全

來源:伯樂在線

這個串列包含與網頁抓取和資料處理的Python庫。

網絡

  • 通用

    • urllib -網絡庫(stdlib)。

    • requests -網絡庫。

    • grab – 網絡庫(基於pycurl)。

    • pycurl – 網絡庫(系結libcurl)。

    • urllib3 – Python HTTP庫,安全連接池、支持檔案post、可用性高。

    • httplib2 – 網絡庫。

    • RoboBrowser – 一個簡單的、極具Python風格的Python庫,無需獨立的瀏覽器即可瀏覽網頁。

    • MechanicalSoup -一個與網站自動交互Python庫。

    • mechanize -有狀態、可編程的Web瀏覽庫。

    • socket – 底層網絡接口(stdlib)。

    • Unirest for Python – Unirest是一套可用於多種語言的輕量級的HTTP庫。

    • hyper – Python的HTTP/2客戶端。

    • PySocks – SocksiPy更新並積極維護的版本,包括錯誤修複和一些其他的特征。作為socket模塊的直接替換。

  • 異步

    • treq – 類似於requests的API(基於twisted)。

    • aiohttp – asyncio的HTTP客戶端/服務器(PEP-3156)。

網絡爬蟲框架

  • 功能齊全的爬蟲

    • grab – 網絡爬蟲框架(基於pycurl/multicur)。

    • scrapy – 網絡爬蟲框架(基於twisted),不支持Python3。

    • pyspider – 一個強大的爬蟲系統。

    • cola – 一個分佈式爬蟲框架。

  • 其他

    • portia – 基於Scrapy的可視化爬蟲。

    • restkit – Python的HTTP資源工具包。它可以讓你輕鬆地訪問HTTP資源,並圍繞它建立的物件。

    • demiurge – 基於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。支持XPath。

    • cssselect – 解析DOM樹和CSS選擇器。

    • pyquery – 解析DOM樹和jQuery選擇器。

    • BeautifulSoup – 低效HTML/ XML處理庫,純Python實現。

    • html5lib – 根據WHATWG規範生成HTML/ XML文件的DOM。該規範被用在現在所有的瀏覽器上。

    • feedparser – 解析RSS/ATOM feeds。

    • MarkupSafe – 為XML/HTML/XHTML提供了安全轉義的字串。

    • xmltodict – 一個可以讓你在處理XML時感覺像在處理JSON一樣的Python模塊。

    • xhtml2pdf – 將HTML/CSS轉換為PDF。

    • untangle – 輕鬆實現將XML檔案轉換為Python物件。

  • 清理

    • Bleach – 清理HTML(需要html5lib)。

    • sanitize – 為混亂的資料世界帶來清明。

文本處理

用於解析和操作簡單文本的庫。

  • 通用

    • difflib – (Python標準庫)幫助進行差異化比較。

    • Levenshtein – 快速計算Levenshtein距離和字串相似度。

    • fuzzywuzzy – 模糊字串匹配。

    • esmre – 正則運算式加速器。

    • ftfy – 自動整理Unicode文本,減少碎片化。

    • 轉換

      • unidecode – 將Unicode文本轉為ASCII。

      • 字符編碼

        • uniout – 打印可讀字符,而不是被轉義的字串。

        • chardet – 兼容 Python的2/3的字符編碼器。

        • xpinyin – 一個將中國漢字轉為拼音的庫。

        • pangu.py – 格式化文本中CJK和字母數字的間距。

        • Slug化

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

          • python-slugify – 一個可以將Unicode轉為ASCII的Python slugify庫。

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

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

          • 通用解析器

            • PLY – lex和yacc解析工具的Python實現。

            • pyparsing – 一個通用框架的生成語法分析器。

            • 人的名字

              • python-nameparser -解析人的名字的組件。

              • 電話號碼

                • phonenumbers -解析,格式化,儲存和驗證國際電話號碼。

                • 用戶代理字串

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

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

                  特定格式檔案處理

                  解析和處理特定文本格式的庫。

                  • 通用

                    • tablib – 一個把資料匯出為XLS、CSV、JSON、YAML等格式的模塊。

                    • textract – 從各種檔案中提取文本,比如 Word、PowerPoint、PDF等。

                    • messytables – 解析混亂的表格資料的工具。

                    • rows – 一個常用資料接口,支持的格式很多(目前支持CSV,HTML,XLS,TXT – 將來還會提供更多!)。

                    • Office

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

                      • xlwt / xlrd – 從Excel檔案讀取寫入資料和格式信息。

                      • XlsxWriter – 一個創建Excel.xlsx檔案的Python模塊。

                      • xlwings – 一個BSD許可的庫,可以很容易地在Excel中呼叫Python,反之亦然。

                      • openpyxl – 一個用於讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM檔案的庫。

                      • Marmir – 提取Python資料結構並將其轉換為電子錶格。

                      • PDF

                        • PDFMiner – 一個從PDF文件中提取信息的工具。

                        • PyPDF2 – 一個能夠分割、合併和轉換PDF頁面的庫。

                        • ReportLab – 允許快速創建豐富的PDF文件。

                        • pdftables – 直接從PDF檔案中提取表格。

                        • Markdown

                          • Python-Markdown – 一個用Python實現的John Gruber的Markdown。

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

                          • markdown2 – 一個完全用Python實現的快速的Markdown。

                          • YAML

                            • PyYAML – 一個Python的YAML解析器。

                            • CSS

                              • cssutils – 一個Python的CSS庫。

                              • ATOM/RSS

                                • feedparser – 通用的feed解析器。

                                • SQL

                                  • sqlparse – 一個非驗證的SQL陳述句分析器。

                                  • HTTP

                                  • HTTP

                                    • http-parser – C語言實現的HTTP請求/響應訊息解析器。

                                    • 微格式

                                      • opengraph – 一個用來解析Open Graph協議標簽的Python模塊。

                                      • 可移植的執行體

                                        • pefile – 一個多平臺的用於解析和處理可移植執行體(即PE)檔案的模塊。

                                        • PSD

                                        • psd-tools – 將Adobe Photoshop PSD(即PE)檔案讀取到Python資料結構。

                                          自然語言處理

                                          處理人類語言問題的庫。

                                          • NLTK -編寫Python程式來處理人類語言資料的最好平臺。

                                          • Pattern – Python的網絡挖掘模塊。他有自然語言處理工具,機器學習以及其它。

                                          • TextBlob – 為深入自然語言處理任務提供了一致的API。是基於NLTK以及Pattern的巨人之肩上發展的。

                                          • jieba – 中文分詞工具。

                                          • SnowNLP – 中文文本處理庫。

                                          • loso – 另一個中文分詞庫。

                                          • genius – 基於條件隨機域的中文分詞。

                                          • langid.py – 獨立的語言識別系統。

                                          • Korean – 一個韓文形態庫。

                                          • pymorphy2 – 俄語形態分析器(詞性標註+詞形變化引擎)。

                                          • PyPLN  – 用Python編寫的分佈式自然語言處理通道。這個專案的標的是創建一種簡單的方法使用NLTK通過網絡接口處理大語言庫。

                                          瀏覽器自動化與仿真

                                          • selenium – 自動化真正的瀏覽器(Chrome瀏覽器,火狐瀏覽器,Opera瀏覽器,IE瀏覽器)。

                                          • Ghost.py – 對PyQt的webkit的封裝(需要PyQT)。

                                          • Spynner – 對PyQt的webkit的封裝(需要PyQT)。

                                          • Splinter – 通用API瀏覽器模擬器(selenium web驅動,Django客戶端,Zope)。

                                          多重處理

                                          • threading – Python標準庫的執行緒運行。對於I/O密集型任務很有效。對於CPU系結的任務沒用,因為python GIL。

                                          • multiprocessing – 標準的Python庫運行多行程。

                                          • celery – 基於分佈式訊息傳遞的異步任務佇列/作業佇列。

                                          • concurrent-futures – concurrent-futures 模塊為呼叫異步執行提供了一個高層次的接口。

                                          異步

                                          異步網絡編程庫

                                          • asyncio – (在Python 3.4 +版本以上的 Python標準庫)異步I/O,時間迴圈,協同程式和任務。

                                          • Twisted – 基於事件驅動的網絡引擎框架。

                                          • Tornado – 一個網絡框架和異步網絡庫。

                                          • pulsar – Python事件驅動的併發框架。

                                          • diesel – Python的基於綠色事件的I/O框架。

                                          • gevent – 一個使用greenlet 的基於協程的Python網絡庫。

                                          • eventlet – 有WSGI支持的異步框架。

                                          • Tomorrow – 異步代碼的奇妙的修飾語法。

                                          佇列

                                          • celery – 基於分佈式訊息傳遞的異步任務佇列/作業佇列。

                                          • huey – 小型多執行緒任務佇列。

                                          • mrq – Mr. Queue – 使用redis & Gevent 的Python分佈式工作任務佇列。

                                          • RQ – 基於Redis的輕量級任務佇列管理器。

                                          • simpleq – 一個簡單的,可無限擴展,基於Amazon SQS的佇列。

                                          • python-gearman – Gearman的Python API。

                                          雲計算

                                          • picloud – 雲端執行Python代碼。

                                          • dominoup.com – 雲端執行R,Python和matlab代碼。

                                          電子郵件

                                          電子郵件解析庫

                                          • flanker – 電子郵件地址和Mime解析庫。

                                          • Talon – Mailgun庫用於提取訊息的報價和簽名。

                                          網址和網絡地址操作

                                          解析/修改網址和網絡地址庫。

                                          • URL

                                            • furl – 一個小的Python庫,使得操縱URL簡單化。

                                            • purl – 一個簡單的不可改變的URL以及一個乾凈的用於除錯和操作的API。

                                            • urllib.parse – 用於打破統一資源定位器(URL)的字串在組件(尋址方案,網絡位置,路徑等)之間的隔斷,為了結合組件到一個URL字串,並將“相對URL”轉化為一個絕對URL,稱之為“基本URL”。

                                            • tldextract – 從URL的註冊域和子域中準確分離TLD,使用公共後綴串列。

                                          • 網絡地址

                                            • netaddr – 用於顯示和操縱網絡地址的Python庫。

                                          網頁內容提取

                                          提取網頁內容的庫。

                                          • HTML頁面的文本和元資料

                                            • newspaper – 用Python進行新聞提取、文章提取和內容策展。

                                            • html2text – 將HTML轉為Markdown格式文本。

                                            • python-goose – HTML內容/文章提取器。

                                            • lassie – 人性化的網頁內容檢索工具

                                            • micawber – 一個從網址中提取豐富內容的小庫。

                                            • sumy -一個自動彙總文本檔案和HTML網頁的模塊

                                            • Haul – 一個可擴展的圖像爬蟲。

                                            • python-readability – arc90 readability工具的快速Python接口。

                                            • scrapely – 從HTML網頁中提取結構化資料的庫。給出了一些Web頁面和資料提取的示例,scrapely為所有類似的網頁構建一個分析器。

                                          • 視頻

                                            • youtube-dl – 一個從YouTube下載視頻的小命令列程式。

                                            • you-get – Python3的YouTube、優酷/ Niconico視頻下載器。

                                          • 維基

                                            • WikiTeam – 下載和儲存wikis的工具。

                                          WebSocket

                                          用於WebSocket的庫。

                                          • Crossbar – 開源的應用訊息傳遞路由器(Python實現的用於Autobahn的WebSocket和WAMP)。

                                          • AutobahnPython – 提供了WebSocket協議和WAMP協議的Python實現並且開源。

                                          • WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和服務器庫。

                                          DNS解析

                                          • dnsyo – 在全球超過1500個的DNS服務器上檢查你的DNS。

                                          • pycares – c-ares的接口。c-ares是進行DNS請求和異步名稱決議的C語言庫。

                                          計算機視覺

                                          • OpenCV – 開源計算機視覺庫。

                                          • SimpleCV – 用於照相機、圖像處理、特征提取、格式轉換的簡介,可讀性強的接口(基於OpenCV)。

                                          • mahotas – 快速計算機圖像處理演算法(完全使用 C++ 實現),完全基於 numpy 的陣列作為它的資料型別。

                                          代理服務器

                                          • shadowsocks – 一個快速隧道代理,可幫你穿透防火牆(支持TCP和UDP,TFO,多用戶和平滑重啟,目的IP黑名單)。

                                          • tproxy – tproxy是一個簡單的TCP路由代理(第7層),基於Gevent,用Python進行配置。

                                          其他Python工具串列

                                          • awesome-python

                                          • pycrumbs

                                          • python-github-projects

                                          • python_reference

                                          • pythonidae

                                          《Python人工智慧和全棧開發》2018年07月23日即將在北京開課,120天衝擊Python年薪30萬,改變速約~~~~

                                          *宣告:推送內容及圖片來源於網絡,部分內容會有所改動,版權歸原作者所有,如來源信息有誤或侵犯權益,請聯繫我們刪除或授權事宜。

                                          – END –


                                          更多Python好文請點擊【閱讀原文】哦

                                          ↓↓↓

赞(0)

分享創造快樂