巴马腕表批发销售联盟

Python 爬虫的工具列表 附Github代码下载链接

36大数据2018-11-06 12:19:13


这个列表包含与网页抓取和数据处理的Python库。如果你需要下载,青点击左下角“阅读原文”到官网通过下载。

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

                                          感谢你耐心的看完,鞠躬ing。
                                          一直最用心,行业最强音。
                                          如果你觉得内容对你有帮助,希望你转载到朋友圈分享给更多的人。
                                          传递知识,传递快乐。

                                          拒绝微信打扰,我们只看干货有价值的内容。以下内容为系列文章,1-9均有整理好的5篇系列文章分享给大家。

                                          回复(不是评论)有惊喜。
                                          回复对应数字,查看对应系列文章
                                          1
                                          数据可视化 5篇系列文章
                                          2
                                          推荐系统 5篇系列文章
                                          3
                                          机器学习 5篇系列文章
                                          4
                                          随机森林和支持向量机 5篇系列文章
                                          5
                                          成为数据科学家 5篇系列文章
                                          6
                                          大数据面试题 5篇系列文章
                                          7
                                          大数据工具 5篇系列文章
                                          8
                                          实践篇 大数据应用案例
                                          9
                                          新手上路,数据行业入门学习
                                          36大数据是一个专注大数据创业、大数据技术与分析、大数据入门学习的商业新媒体。分享大数据在电商、移动互联网APP、医疗及金融银行等领域的落地应用。

                                          36大数据是百度大数据首席战略合作媒体。也是WeMedia自媒体联盟成员。

                                          网站:36dsj.com
                                          QQ千人群:80958753
                                          投稿邮箱:dashuju36@qq.com
                                          长按二维码发现惊喜
                                          点击下方“阅读原文”查看更多
                                          ↓↓↓

                                          Copyright © 巴马腕表批发销售联盟@2017