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

相关推荐