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 - 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
  • pythonidae

Python爬虫的工具列表相关推荐

  1. Python 爬虫的工具列表( 附Github代码下载链接)

    Python 爬虫的工具列表( 附Github代码下载链接) 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. gr ...

  2. [转] Python 爬虫的工具列表 附Github代码下载链接

    转自http://www.36dsj.com/archives/36417 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 - ...

  3. Python 爬虫的工具列表

    2019独角兽企业重金招聘Python工程师标准>>> 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 ...

  4. Python 爬虫的工具列表 附Github代码下载链接

    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 ...

  5. Python 爬虫的工具列表大全，再不收藏下次就找不到了（第二篇）

    本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理 以下文章来源于腾讯云 作者:沈唁 ( 想要学习Python?Python学习交流群 ...

  6. 转] Python 爬虫的工具列表 附Github代码下载链接

    转自http://www.36dsj.com/archives/36417 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 - ...

  7. python爬虫常见报错_对Python爬虫常见工具总结，欢迎补充

    前言 以前写爬虫都是用requests包,虽然很好用,不过还是要封装一些header啊什么的,也没有用过无头浏览器,今天偶然接触了一下. 原因是在处理一个错误的时候,用到了几个以前没有用过的工具:这几 ...

  8. 装X利器：做一个Python爬虫小工具——图片下载器

    一.项目描述 前言: 这是一个非常简单的网络爬虫,非常适合初学者了解Python连接网络的初级操作: 平时,如果我们要在网络上下载图片,大家的做法通常是右键,然后图片另存为,但是我们是程序员,我们当然 ...

  9. python爬虫图片工具安卓版下载_python图片爬虫(图片爬虫工具) 1.1绿色版

    python图片爬虫(图片爬虫工具)是一款专门为互联.it行业的小伙伴们打造的爬虫工具,可以帮大家对软件进行优化.seo的人一定会用的上哦,有兴趣的赶紧下载了哦!python图片爬虫代码如下: #-* ...

最新文章

  1. mysql sql诊断建议_MySQL诊断调优常用SQL语句
  2. 2007年分区联赛提高组之一 统计数字
  3. java integer == int_Java中int和Integer的区别详解
  4. 云端之战:Oracle研发总裁Thomas Kurian 加盟 Google Cloud
  5. linux 手动控制cpu转速,Linux 手动计算CPU使用率
  6. HDU 1348 Wall （ 凸包周长 ）
  7. java 静态初始化数据_Java 静态数据初始化的示例代码
  8. Java基础篇：方法重载
  9. 数字的与或非处理表中的多个状态（二）
  10. jsp乱码介绍（续）
  11. Mysql常用的存储引擎
  12. java static 初始化顺序_java static 初始化顺序语法并不正确
  13. Xilinx FPGA “打一拍”“打两拍”以及IOB含义
  14. 70后.net老猿，尚能饭否？
  15. Telegram入门
  16. iA Writer for Mac(mac好用的写作软件)
  17. 奥比中光再度携手英伟达联合举办第三届3D视觉创新应用竞赛
  18. 微交易怎么看涨跌？怎么看k线图？
  19. 双色球规则：双色球每注投注号码由6个红色球号码和1个蓝色球号码组成。红色球从1—33中随机生成6个不重复的号码；蓝色球号码从1—16中随机生成1个；客户通过键盘录入购买的红色球6个(不重复)和蓝色
  20. AcWing每日一题

热门文章

  1. 回首2018 | 分析型数据库AnalyticDB: 不忘初心 砥砺前行...
  2. mPEG-FA 甲氧基PEGys
  3. 海量存储的世界--大容量硬盘应用宝典（转）
  4. nyan cat，全彩点阵_与Nyan Cat在Linux命令行中休息一下
  5. Linux上批量清空日志文件（非删除）
  6. 32位单片机不同数据类型运算速度对比测试
  7. Unity对XML文件加密
  8. C4.5 决策树算法对UCI wine数据集分类的实现(MATLAB)
  9. android radiobutton切换,radiobutton 点击无法切换
  10. python编程基础（文字版）