Python 爬虫的工具列表

我就是我 2022-07-17 04:14 158阅读 0赞

本文转载自伯乐在线：[http://python.jobbole.com/82633/][http_python.jobbole.com_82633]

这个列表包含与网页抓取和数据处理的Python库

## 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][grab 1] - 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。
 *  [dominoup.com][] - 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][python_reference]
 *  [pythonidae][]

原文地址： [http://python.jobbole.com/82633/][http_python.jobbole.com_82633]

[http_python.jobbole.com_82633]: http://python.jobbole.com/82633/
[urllib]: https://docs.python.org/3.4/library/urllib.html?highlight=urllib#module-urllib
[requests]: https://github.com/kennethreitz/requests
[grab]: https://github.com/lorien/grab
[pycurl]: https://github.com/pycurl/pycurl
[libcurl]: http://curl.haxx.se/libcurl/
[urllib3]: https://github.com/shazow/urllib3
[httplib2]: https://github.com/jcgregorio/httplib2
[RoboBrowser]: https://github.com/jmcarp/robobrowser
[MechanicalSoup]: https://github.com/hickford/MechanicalSoup
[mechanize]: https://github.com/jjlee/mechanize
[socket]: https://docs.python.org/3/library/socket.html
[Unirest for Python]: https://github.com/Mashape/unirest-python
[hyper]: https://github.com/Lukasa/hyper
[PySocks]: https://github.com/Anorov/PySocks
[treq]: https://github.com/dreid/treq
[aiohttp]: https://github.com/KeepSafe/aiohttp
[grab 1]: http://docs.grablib.org/en/latest/#grab-spider-user-manual
[scrapy]: http://scrapy.org/
[pyspider]: https://github.com/binux/pyspider
[cola]: https://github.com/chineking/cola
[portia]: https://github.com/scrapinghub/portia
[restkit]: https://github.com/benoitc/restkit
[demiurge]: https://github.com/matiasb/demiurge
[lxml]: http://lxml.de/
[cssselect]: https://pythonhosted.org/cssselect
[pyquery]: http://pythonhosted.org/pyquery/
[BeautifulSoup]: http://www.crummy.com/software/BeautifulSoup/bs4/doc/
[html5lib]: http://html5lib.readthedocs.org/en/latest/
[feedparser]: http://pythonhosted.org/feedparser/
[MarkupSafe]: https://github.com/mitsuhiko/markupsafe
[xmltodict]: https://github.com/martinblech/xmltodict
[xhtml2pdf]: https://github.com/chrisglass/xhtml2pdf
[untangle]: https://github.com/stchris/untangle
[Bleach]: http://bleach.readthedocs.org/en/latest/
[sanitize]: https://github.com/Alir3z4/sanitize
[difflib]: https://docs.python.org/2/library/difflib.html
[Levenshtein]: https://github.com/ztane/python-Levenshtein/
[fuzzywuzzy]: https://github.com/seatgeek/fuzzywuzzy
[esmre]: https://code.google.com/p/esmre/
[ftfy]: https://github.com/LuminosoInsight/python-ftfy
[unidecode]: https://pypi.python.org/pypi/Unidecode
[uniout]: https://github.com/moskytw/uniout
[chardet]: https://github.com/chardet/chardet
[xpinyin]: https://github.com/lxneng/xpinyin
[pangu.py]: https://github.com/vinta/pangu.py
[awesome-slugify]: https://github.com/dimka665/awesome-slugify
[python-slugify]: https://github.com/un33k/python-slugify
[unicode-slugify]: https://github.com/mozilla/unicode-slugify
[pytils]: https://github.com/j2a/pytils
[PLY]: http://www.dabeaz.com/ply/
[pyparsing]: http://pyparsing.wikispaces.com/
[python-nameparser]: https://github.com/derek73/python-nameparser
[phonenumbers]: https://github.com/daviddrysdale/python-phonenumbers
[python-user-agents]: https://github.com/selwin/python-user-agents
[HTTP Agent Parser]: https://github.com/shon/httpagentparser
[tablib]: https://github.com/kennethreitz/tablib
[textract]: https://github.com/deanmalmgren/textract
[messytables]: https://github.com/okfn/messytables
[rows]: https://github.com/turicas/rows
[python-docx]: https://github.com/python-openxml/python-docx
[xlwt]: https://github.com/python-excel/xlwt
[xlrd]: https://github.com/python-excel/xlrd
[XlsxWriter]: https://xlsxwriter.readthedocs.org/
[xlwings]: http://xlwings.org/
[openpyxl]: https://openpyxl.readthedocs.org/en/latest/
[Marmir]: https://github.com/brianray/mm
[PDFMiner]: https://github.com/euske/pdfminer
[PyPDF2]: https://github.com/mstamy2/PyPDF2
[ReportLab]: http://www.reportlab.com/opensource/
[pdftables]: https://pypi.python.org/pypi/pdftables
[Python-Markdown]: https://github.com/waylan/Python-Markdown
[Mistune]: https://github.com/lepture/mistune
[markdown2]: https://pypi.python.org/pypi/markdown2
[PyYAML]: http://pyyaml.org/
[cssutils]: https://pypi.python.org/pypi/cssutils/
[sqlparse]: https://sqlparse.readthedocs.org/
[http-parser]: https://github.com/benoitc/http-parser
[opengraph]: https://github.com/erikriver/opengraph
[pefile]: https://github.com/erocarrera/pefile
[psd-tools]: https://github.com/kmike/psd-tools
[NLTK]: http://www.nltk.org/
[Pattern]: http://www.clips.ua.ac.be/pattern
[TextBlob]: http://textblob.readthedocs.org/
[jieba]: https://github.com/fxsjy/jieba
[SnowNLP]: https://github.com/isnowfy/snownlp
[loso]: https://github.com/victorlin/loso
[genius]: https://github.com/duanhongyi/genius
[langid.py]: https://github.com/saffsd/langid.py
[Korean]: https://korean.readthedocs.org/
[pymorphy2]: https://github.com/kmike/pymorphy2
[PyPLN]: https://github.com/NAMD/pypln.backend
[selenium]: http://selenium.googlecode.com/git/docs/api/py/api.html
[Ghost.py]: http://carrerasrodrigo.github.io/Ghost.py/
[Spynner]: https://github.com/makinacorpus/spynner
[Splinter]: https://github.com/cobrateam/splinter
[threading]: http://docs.python.org/2.7/library/threading.html
[multiprocessing]: http://docs.python.org/2.7/library/multiprocessing.html
[celery]: http://www.celeryproject.org/
[concurrent-futures]: https://docs.python.org/3/library/concurrent.futures.html
[asyncio]: https://docs.python.org/3/library/asyncio.html
[Twisted]: https://twistedmatrix.com/trac/
[Tornado]: http://www.tornadoweb.org/
[pulsar]: https://github.com/quantmind/pulsar
[diesel]: https://github.com/jamwt/diesel
[gevent]: http://www.gevent.org/
[greenlet]: https://github.com/python-greenlet/greenlet
[eventlet]: http://eventlet.net/
[Tomorrow]: https://github.com/madisonmay/Tomorrow
[huey]: https://github.com/coleifer/huey
[mrq]: https://github.com/pricingassistant/mrq
[RQ]: http://python-rq.org/docs/
[simpleq]: https://github.com/rdegges/simpleq
[python-gearman]: https://github.com/Yelp/python-gearman
[picloud]: http://docs.picloud.com/
[dominoup.com]: http://www.dominoup.com/
[flanker]: https://github.com/mailgun/flanker
[Talon]: https://github.com/mailgun/talon
[furl]: https://github.com/gruns/furl
[purl]: https://github.com/codeinthehole/purl
[urllib.parse]: https://docs.python.org/3/library/urllib.parse.html
[tldextract]: https://github.com/john-kurkowski/tldextract
[netaddr]: https://github.com/drkjam/netaddr
[newspaper]: https://github.com/codelucas/newspaper
[html2text]: https://github.com/Alir3z4/html2text
[python-goose]: https://github.com/grangier/python-goose
[lassie]: https://github.com/michaelhelmick/lassie
[micawber]: https://github.com/coleifer/micawber
[sumy]: https://github.com/miso-belica/sumy
[Haul]: https://github.com/vinta/Haul
[python-readability]: https://github.com/buriy/python-readability
[scrapely]: https://github.com/scrapy/scrapely
[youtube-dl]: http://rg3.github.io/youtube-dl/
[you-get]: http://www.soimort.org/you-get/
[WikiTeam]: https://github.com/WikiTeam/wikiteam
[Crossbar]: https://github.com/crossbario/crossbar/
[AutobahnPython]: https://github.com/tavendo/AutobahnPython
[WebSocket-for-Python]: https://github.com/Lawouach/WebSocket-for-Python
[dnsyo]: https://github.com/samarudge/dnsyo
[pycares]: https://github.com/saghul/pycares
[OpenCV]: https://github.com/Itseez/opencv
[SimpleCV]: https://github.com/sightmachine/SimpleCV
[mahotas]: https://github.com/luispedro/mahotas
[shadowsocks]: https://github.com/shadowsocks/shadowsocks
[tproxy]: https://github.com/benoitc/tproxy
[awesome-python]: https://github.com/vinta/awesome-python
[pycrumbs]: https://github.com/kirang89/pycrumbs/blob/master/pycrumbs.md
[python-github-projects]: https://github.com/checkcheckzz/python-github-projects
[python_reference]: https://github.com/rasbt/python_reference
[pythonidae]: https://github.com/svaksha/pythonidae