洗禮靈魂，修煉python（52）--爬蟲篇—【轉載】爬蟲工具列表

時間 2019-11-11

標籤洗禮靈魂修煉 python 爬蟲轉載工具列表欄目 Python 简体版

原文原文鏈接

與爬蟲相關的經常使用模塊列表。

原文出處：傳送門連接

網絡

通用
- urllib -網絡庫(stdlib)。
- requests -網絡庫。
- grab – 網絡庫（基於pycurl）。
- pycurl – 網絡庫（綁定libcurl）。
- urllib3 – Python HTTP庫，安全鏈接池、支持文件post、可用性高。
- httplib2 – 網絡庫。
- RoboBrowser – 一個簡單的、極具Python風格的Python庫，無需獨立的瀏覽器便可瀏覽網頁。
- 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，包括錯誤修復和一些其餘的特徵。做爲socket模塊的直接替換。
異步
- treq – 相似於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。
其餘
- portia – 基於Scrapy的可視化爬蟲。
- restkit – Python的HTTP資源工具包。它可讓你輕鬆地訪問HTTP資源，並圍繞它創建的對象。
- 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文檔的DOM。該規範被用在如今全部的瀏覽器上。
- feedparser – 解析RSS/ATOM feeds。
- MarkupSafe – 爲XML/HTML/XHTML提供了安全轉義的字符串。
- xmltodict – 一個可讓你在處理XML時感受像在處理JSON同樣的Python模塊。
- xhtml2pdf – 將HTML/CSS轉換爲PDF。
- untangle – 輕鬆實現將XML文件轉換爲Python對象。
清理
- Bleach – 清理HTML（須要html5lib）。
- sanitize – 爲混亂的數據世界帶來清明。

文本處理

用於解析和操做簡單文本的庫。css

通用

difflib – （Python標準庫）幫助進行差別化比較。
Levenshtein – 快速計算Levenshtein距離和字符串類似度。
fuzzywuzzy – 模糊字符串匹配。
esmre – 正則表達式加速器。
ftfy – 自動整理Unicode文本，減小碎片化。

轉換

unidecode – 將Unicode文本轉爲ASCII。

字符編碼

uniout – 打印可讀字符，而不是被轉義的字符串。
chardet – 兼容 Python的2/3的字符編碼器。
xpinyin – 一個將中國漢字轉爲拼音的庫。
pangu.py – 格式化文本中CJK和字母數字的間距。

Slug化

awesome-slugify – 一個能夠保留unicode的Python slugify庫。
python-slugify – 一個能夠將Unicode轉爲ASCII的Python slugify庫。
unicode-slugify – 一個能夠將生成Unicode slugs的工具。
pytils – 處理俄語字符串的簡單工具（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，存儲和驗證國際電話號碼。

用戶代理字符串

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。

特定格式文件處理

解析和處理特定文本格式的庫。html

通用

tablib – 一個把數據導出爲XLS、CSV、JSON、YAML等格式的模塊。
textract – 從各類文件中提取文本，好比 Word、PowerPoint、PDF等。
messytables – 解析混亂的表格數據的工具。
rows – 一個經常使用數據接口，支持的格式不少（目前支持CSV，HTML，XLS，TXT – 未來還會提供更多！）。

Office

python-docx – 讀取，查詢和修改的Microsoft Word2007/2008的docx文件。
xlwt / xlrd – 從Excel文件讀取寫入數據和格式信息。
XlsxWriter – 一個建立Excel.xlsx文件的Python模塊。
xlwings – 一個BSD許可的庫，能夠很容易地在Excel中調用Python，反之亦然。
openpyxl – 一個用於讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的庫。
Marmir – 提取Python數據結構並將其轉換爲電子表格。

PDFMiner – 一個從PDF文檔中提取信息的工具。
PyPDF2 – 一個可以分割、合併和轉換PDF頁面的庫。
ReportLab – 容許快速建立豐富的PDF文檔。
pdftables – 直接從PDF文件中提取表格。

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 – 一個徹底用Python實現的快速的Markdown。

YAML

PyYAML – 一個Python的YAML解析器。

cssutils – 一個Python的CSS庫。

ATOM/RSS

feedparser – 通用的feed解析器。

sqlparse – 一個非驗證的SQL語句分析器。

HTTP
HTTP

http-parser – C語言實現的HTTP請求/響應消息解析器。

微格式

opengraph – 一個用來解析Open Graph協議標籤的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）文件的模塊。

psd-tools – 將Adobe Photoshop PSD（即PE）文件讀取到Python數據結構。

天然語言處理

處理人類語言問題的庫。html5

NLTK -編寫Python程序來處理人類語言數據的最好平臺。
Pattern – Python的網絡挖掘模塊。他有天然語言處理工具，機器學習以及其它。
TextBlob – 爲深刻天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 – 另外一箇中文分詞庫。
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編寫的分佈式天然語言處理通道。這個項目的目標是建立一種簡單的方法使用NLTK經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（須要PyQT）。
Spynner – 對PyQt的webkit的封裝（須要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標準庫的線程運行。對於I/O密集型任務頗有效。對於CPU綁定的任務沒用，由於python GIL。
multiprocessing – 標準的Python庫運行多進程。
celery – 基於分佈式消息傳遞的異步任務隊列/做業隊列。
concurrent-futures – concurrent-futures 模塊爲調用異步執行提供了一個高層次的接口。

異步

異步網絡編程庫python

asyncio – （在Python 3.4 +版本以上的 Python標準庫）異步I/O，時間循環，協同程序和任務。
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。

隊列

celery – 基於分佈式消息傳遞的異步任務隊列/做業隊列。
huey – 小型多線程任務隊列。
mrq – Mr. Queue – 使用redis & Gevent 的Python分佈式工做任務隊列。
RQ – 基於Redis的輕量級任務隊列管理器。
simpleq – 一個簡單的，可無限擴展，基於Amazon SQS的隊列。
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git

flanker – 電子郵件地址和Mime解析庫。
Talon – Mailgun庫用於提取消息的報價和簽名。

網址和網絡地址操做

解析/修改網址和網絡地址庫。github

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以及一個乾淨的用於調試和操做的API。
- urllib.parse – 用於打破統一資源定位器（URL）的字符串在組件（尋址方案，網絡位置，路徑等）之間的隔斷，爲告終合組件到一個URL字符串，並將「相對URL」轉化爲一個絕對URL，稱之爲「基本URL」。
- tldextract – 從URL的註冊域和子域中準確分離TLD，使用公共後綴列表。

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。web

HTML頁面的文本和元數據
- newspaper – 用Python進行新聞提取、文章提取和內容策展。
- html2text – 將HTML轉爲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 -一個自動彙總文本文件和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網頁中提取結構化數據的庫。給出了一些Web頁面和數據提取的示例，scrapely爲全部相似的網頁構建一個分析器。