扣丁学堂浅谈Python基础教程之Python爬虫工具列表详解

2017-12-19 10:05:27 514浏览

　　今天扣丁学堂小编为你详细的总结了一下关于Python视频教程之Python爬虫的工具列表都有哪些呢，而这个列表包含与网页抓取和数据处理的Python库，下面我们一起来看一下吧。

网络


urllib-网络库(stdlib)。

requests-网络库。

grab–网络库(基于pycurl)。

pycurl–网络库(绑定libcurl)。

urllib3–PythonHTTP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)。

UnirestforPython–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/ATOMfeeds。

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Pythonslugify库。

python-slugify–一个可以将Unicode转为ASCII的Pythonslugify库。

unicode-slugify–一个可以将生成Unicodeslugs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。

HTTPAgentParser–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MicrosoftWord2007/2008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Excel2010XLSX/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JohnGruber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OpenGraph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AdobePhotoshopPSD(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(seleniumweb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pythonGIL。

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Python3.4+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AmazonSQS的队列。

python-gearman–Gearman的PythonAPI。

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–arc90readability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–Python2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

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

以上就是关于扣丁学堂Python爬虫的工具列表详细介绍，最后想要了解更多资讯或学习Python开发请关注扣丁学堂官网和微信公众号。扣丁学堂作为知名的IT培训机构，不仅有专业的Python培训讲师和与时俱进的课程体系，还有大量的Python全栈开发工程师视频教程供学员观看学习，想要学好Python开发技术的小伙伴就抓紧时间行动吧。扣丁学堂Python技术交流群：279521237。

【关注微信公众号获取更多学习资料】

查看更多关于“Python开发资讯”的相关文章>>