Python 爬虫的工具列表大全
网络
-
通用
-
urllib -网络库(stdlib)。
-
requests -网络库。
-
grab C 网络库(基于pycurl)。
-
pycurl C 网络库(绑定libcurl)。
-
urllib3 C Python HTTP库,安全连接池、支持文件post、可用性高。
-
httplib2 C 网络库。
-
RoboBrowser C 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 C 底层网络接口(stdlib)。
-
Unirest for Python C Unirest是一套可用于多种语言的轻量级的HTTP库。
-
hyper C Python的HTTP/2客户端。
-
PySocks C 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 C 类似于requests的API(基于twisted)。
-
aiohttp C 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 C 网络爬虫框架(基于pycurl/multicur)。
-
scrapy C 网络爬虫框架(基于twisted),不支持Python3。
-
pyspider C 一个强大的爬虫系统。
-
cola C 一个分布式爬虫框架。
-
-
其他
-
portia C 基于Scrapy的可视化爬虫。
-
restkit C 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 C 基于PyQuery的爬虫微框架。
-
HTML/XML解析器
-
通用
-
lxml C C语言编写高效HTML/ XML处理库。支持XPath。
-
cssselect C 解析DOM树和CSS选择器。
-
pyquery C 解析DOM树和jQuery选择器。
-
BeautifulSoup C 低效HTML/ XML处理库,纯Python实现。
-
html5lib C 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 C 解析RSS/ATOM feeds。
-
MarkupSafe C 为XML/HTML/XHTML提供了安全转义的字符串。
-
xmltodict C 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 C 将HTML/CSS转换为PDF。
-
untangle C 轻松实现将XML文件转换为Python对象。
-
-
清理
-
Bleach C 清理HTML(需要html5lib)。
-
sanitize C 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 C (Python标准库)帮助进行差异化比较。
-
Levenshtein C 快速计算Levenshtein距离和字符串相似度。
-
fuzzywuzzy C 模糊字符串匹配。
-
esmre C 正则表达式加速器。
-
ftfy C 自动整理Unicode文本,减少碎片化。
-
转换
-
unidecode C 将Unicode文本转为ASCII。
-
字符编码
-
uniout C 打印可读字符,而不是被转义的字符串。
-
chardet C 兼容 Python的2/3的字符编码器。
-
xpinyin C 一个将中国汉字转为拼音的库。
-
pangu.py C 格式化文本中CJK和字母数字的间距。
-
Slug化
-
awesome-slugify C 一个可以保留unicode的Python slugify库。
-
python-slugify C 一个可以将Unicode转为ASCII的Python slugify库。
-
unicode-slugify C 一个可以将生成Unicode slugs的工具。
-
pytils C 处理俄语字符串的简单工具(包括pytils.translit.slugify)。
-
通用解析器
-
PLY C lex和yacc解析工具的Python实现。
-
pyparsing C 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 C 浏览器用户代理的解析器。
-
HTTP Agent Parser C 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 C 一个把数据导出为XLS、CSV、JSON、YAML等格式的模块。
-
textract C 从各种文件中提取文本,比如 Word、PowerPoint、PDF等。
-
messytables C 解析混乱的表格数据的工具。
-
rows C 一个常用数据接口,支持的格式很多(目前支持CSV,HTML,XLS,TXT C 将来还会提供更多!)。
-
Office
-
python-docx C 读取,查询和修改的Microsoft Word2007/2008的docx文件。
-
xlwt / xlrd C 从Excel文件读取写入数据和格式信息。
-
XlsxWriter C 一个创建Excel.xlsx文件的Python模块。
-
xlwings C 一个BSD许可的库,可以很容易地在Excel中调用Python,反之亦然。
-
openpyxl C 一个用于读取和写入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的库。
-
Marmir C 提取Python数据结构并将其转换为电子表格。
-
PDF
-
PDFMiner C 一个从PDF文档中提取信息的工具。
-
PyPDF2 C 一个能够分割、合并和转换PDF页面的库。
-
ReportLab C 允许快速创建丰富的PDF文档。
-
pdftables C 直接从PDF文件中提取表格。
-
Markdown
-
Python-Markdown C 一个用Python实现的John Gruber的Markdown。
-
Mistune C 速度最快,功能全面的Markdown纯Python解析器。
-
markdown2 C 一个完全用Python实现的快速的Markdown。
-
YAML
-
PyYAML C 一个Python的YAML解析器。
-
CSS
-
cssutils C 一个Python的CSS库。
-
ATOM/RSS
-
feedparser C 通用的feed解析器。
-
SQL
-
sqlparse C 一个非验证的SQL语句分析器。
-
HTTP
-
HTTP
-
http-parser C C语言实现的HTTP请求/响应消息解析器。
-
微格式
-
opengraph C 一个用来解析Open Graph协议标签的Python模块。
-
可移植的执行体
-
pefile C 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 C 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 C 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 C 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 C 中文分词工具。
-
SnowNLP C 中文文本处理库。
-
loso C 另一个中文分词库。
-
genius C 基于条件随机域的中文分词。
-
langid.py C 独立的语言识别系统。
-
Korean C 一个韩文形态库。
-
pymorphy2 C 俄语形态分析器(词性标注+词形变化引擎)。
-
PyPLN C 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 C 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 C 对PyQt的webkit的封装(需要PyQT)。
-
Spynner C 对PyQt的webkit的封装(需要PyQT)。
-
Splinter C 通用API浏览器模拟器(selenium web驱动,Django客户端,Zope)。
多重处理
-
threading C 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 C 标准的Python库运行多进程。
-
celery C 基于分布式消息传递的异步任务队列/作业队列。
-
concurrent-futures C 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 C (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 C 基于事件驱动的网络引擎框架。
-
Tornado C 一个网络框架和异步网络库。
-
pulsar C Python事件驱动的并发框架。
-
diesel C Python的基于绿色事件的I/O框架。
-
gevent C 一个使用greenlet 的基于协程的Python网络库。
-
eventlet C 有WSGI支持的异步框架。
-
Tomorrow C 异步代码的奇妙的修饰语法。
队列
-
celery C 基于分布式消息传递的异步任务队列/作业队列。
-
huey C 小型多线程任务队列。
-
mrq C Mr. Queue C 使用redis & Gevent 的Python分布式工作任务队列。
-
RQ C 基于Redis的轻量级任务队列管理器。
-
simpleq C 一个简单的,可无限扩展,基于Amazon SQS的队列。
-
python-gearman C Gearman的Python API。
云计算
-
picloud C 云端执行Python代码。
-
dominoup.com C 云端执行R,Python和matlab代码。
电子邮件
电子邮件解析库
-
flanker C 电子邮件地址和Mime解析库。
-
Talon C 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 C 一个小的Python库,使得操纵URL简单化。
-
purl C 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 C 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 C 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 C 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 C 用Python进行新闻提取、文章提取和内容策展。
-
html2text C 将HTML转为Markdown格式文本。
-
python-goose C HTML内容/文章提取器。
-
lassie C 人性化的网页内容检索工具
-
micawber C 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 C 一个可扩展的图像爬虫。
-
python-readability C arc90 readability工具的快速Python接口。
-
scrapely C 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 C 一个从YouTube下载视频的小命令行程序。
-
you-get C Python3的YouTube、优酷/ Niconico视频下载器。
-
-
维基
-
WikiTeam C 下载和保存wikis的工具。
-
WebSocket
用于WebSocket的库。
-
Crossbar C 开源的应用消息传递路由器(Python实现的用于Autobahn的WebSocket和WAMP)。
-
AutobahnPython C 提供了WebSocket协议和WAMP协议的Python实现并且开源。
-
WebSocket-for-Python C Python 2和3以及PyPy的WebSocket客户端和服务器库。
DNS解析
-
dnsyo C 在全球超过1500个的DNS服务器上检查你的DNS。
-
pycares C 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 C 开源计算机视觉库。
-
SimpleCV C 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 C 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 C 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 C 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