Python 爬蟲的工具列表

LynnShaw發表於2015-11-04

這個列表包含與網頁抓取和資料處理的Python庫

網路

  • 通用
    • urllib -網路庫(stdlib)。
    • requests -網路庫。
    • grab – 網路庫(基於pycurl)。
    • pycurl – 網路庫(繫結libcurl)。
    • urllib3 – Python HTTP庫,安全連線池、支援檔案post、可用性高。
    • httplib2 – 網路庫。
    • RoboBrowser – 一個簡單的、極具Python風格的Python庫,無需獨立的瀏覽器即可瀏覽網頁。
    • MechanicalSoup -一個與網站自動互動Python庫。
    • mechanize -有狀態、可程式設計的Web瀏覽庫。
    • socket – 底層網路介面(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他的特徵。作為socket模組的直接替換。
  • 非同步
    • treq – 類似於requests的API(基於twisted)。
    • aiohttp – asyncio的HTTP客戶端/伺服器(PEP-3156)。

網路爬蟲框架

  • 功能齊全的爬蟲
    • grab – 網路爬蟲框架(基於pycurl/multicur)。
    • scrapy – 網路爬蟲框架(基於twisted),不支援Python3。
    • pyspider – 一個強大的爬蟲系統。
    • cola – 一個分散式爬蟲框架。
  • 其他
    • portia – 基於Scrapy的視覺化爬蟲。
    • restkit – Python的HTTP資源工具包。它可以讓你輕鬆地訪問HTTP資源,並圍繞它建立的物件。
    • 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。支援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文件的DOM。該規範被用在現在所有的瀏覽器上。
    • feedparser – 解析RSS/ATOM feeds。
    • MarkupSafe – 為XML/HTML/XHTML提供了安全轉義的字串。
    • xmltodict – 一個可以讓你在處理XML時感覺像在處理JSON一樣的Python模組。
    • xhtml2pdf – 將HTML/CSS轉換為PDF。
    • untangle – 輕鬆實現將XML檔案轉換為Python物件。
  • 清理
    • Bleach – 清理HTML(需要html5lib)。
    • sanitize – 為混亂的資料世界帶來清明。

文字處理

用於解析和操作簡單文字的庫。

  • 通用
    • difflib – (Python標準庫)幫助進行差異化比較。
    • Levenshtein – 快速計算Levenshtein距離和字串相似度。
    • fuzzywuzzy – 模糊字串匹配。
    • esmre – 正規表示式加速器。
    • ftfy – 自動整理Unicode文字,減少碎片化。
  • 轉換
    • unidecode – 將Unicode文字轉為ASCII。
  • 字元編碼
    • uniout – 列印可讀字元,而不是被轉義的字串。
    • chardet – 相容 Python的2/3的字元編碼器。
    • xpinyin – 一個將中國漢字轉為拼音的庫。
    • pangu.py – 格式化文字中CJK和字母數字的間距。
  • Slug化
    • awesome-slugify – 一個可以保留unicode的Python slugify庫。
    • python-slugify – 一個可以將Unicode轉為ASCII的Python slugify庫。
    • unicode-slugify – 一個可以將生成Unicode slugs的工具。
    • pytils – 處理俄語字串的簡單工具(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
  • 電話號碼
    • phonenumbers -解析,格式化,儲存和驗證國際電話號碼。
  • 使用者代理字串

特定格式檔案處理

解析和處理特定文字格式的庫。

  • 通用
    • tablib – 一個把資料匯出為XLS、CSV、JSON、YAML等格式的模組。
    • textract – 從各種檔案中提取文字,比如 Word、PowerPoint、PDF等。
    • messytables – 解析混亂的表格資料的工具。
    • rows – 一個常用資料介面,支援的格式很多(目前支援CSV,HTML,XLS,TXT – 將來還會提供更多!)。
  • Office
    • python-docx – 讀取,查詢和修改的Microsoft Word2007/2008的docx檔案。
    • xlwt / xlrd – 從Excel檔案讀取寫入資料和格式資訊。
    • XlsxWriter – 一個建立Excel.xlsx檔案的Python模組。
    • xlwings – 一個BSD許可的庫,可以很容易地在Excel中呼叫Python,反之亦然。
    • openpyxl – 一個用於讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM檔案的庫。
    • Marmir – 提取Python資料結構並將其轉換為電子表格。
  • PDF
    • PDFMiner – 一個從PDF文件中提取資訊的工具。
    • PyPDF2 – 一個能夠分割、合併和轉換PDF頁面的庫。
    • ReportLab – 允許快速建立豐富的PDF文件。
    • pdftables – 直接從PDF檔案中提取表格。
  • 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 – 一個完全用Python實現的快速的Markdown。
  • YAML
    • PyYAML – 一個Python的YAML解析器。
  • CSS
    • cssutils – 一個Python的CSS庫。
  • ATOM/RSS
  • SQL
    • 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/響應訊息解析器。
  • 微格式
    • opengraph – 一個用來解析Open Graph協議標籤的Python模組。
  • 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)檔案的模組。
  • PSD
    • psd-tools – 將Adobe Photoshop PSD(即PE)檔案讀取到Python資料結構。

自然語言處理

處理人類語言問題的庫。

  • NLTK -編寫Python程式來處理人類語言資料的最好平臺。
  • Pattern – Python的網路挖掘模組。他有自然語言處理工具,機器學習以及其它。
  • TextBlob – 為深入自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 – 中文文字處理庫。
  • loso – 另一箇中文分詞庫。
  • 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編寫的分散式自然語言處理通道。這個專案的目標是建立一種簡單的方法使用NLTK通過網路介面處理大語言庫。

瀏覽器自動化與模擬

  • 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(需要PyQT)。
  • Spynner – 對PyQt的webkit的封裝(需要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標準庫的執行緒執行。對於I/O密集型任務很有效。對於CPU繫結的任務沒用,因為python GIL。
  • multiprocessing – 標準的Python庫執行多程式。
  • celery – 基於分散式訊息傳遞的非同步任務佇列/作業佇列。
  • concurrent-futures – concurrent-futures 模組為呼叫非同步執行提供了一個高層次的介面。

非同步

非同步網路程式設計庫

  • asyncio – (在Python 3.4 +版本以上的 Python標準庫)非同步I/O,時間迴圈,協同程式和任務。
  • Twisted – 基於事件驅動的網路引擎框架。
  • Tornado – 一個網路框架和非同步網路庫。
  • 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網路庫。
  • eventlet – 有WSGI支援的非同步框架。
  • Tomorrow – 非同步程式碼的奇妙的修飾語法。

佇列

  • celery – 基於分散式訊息傳遞的非同步任務佇列/作業佇列。
  • huey – 小型多執行緒任務佇列。
  • mrq – Mr. Queue – 使用redis & Gevent 的Python分散式工作任務佇列。
  • RQ – 基於Redis的輕量級任務佇列管理器。
  • simpleq – 一個簡單的,可無限擴充套件,基於Amazon SQS的佇列。
  • python-gearman – Gearman的Python API。

雲端計算

  • picloud – 雲端執行Python程式碼。
  • dominoup.com – 雲端執行R,Python和matlab程式碼。

電子郵件

電子郵件解析庫

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

網址和網路地址操作

解析/修改網址和網路地址庫。

  • 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除錯和操作的API。
    • urllib.parse – 用於打破統一資源定位器(URL)的字串在元件(定址方案,網路位置,路徑等)之間的隔斷,為了結合元件到一個URL字串,並將“相對URL”轉化為一個絕對URL,稱之為“基本URL”。
    • tldextract – 從URL的註冊域和子域中準確分離TLD,使用公共字尾列表。
  • 網路地址
    • netaddr – 用於顯示和操縱網路地址的Python庫。

 

網頁內容提取

提取網頁內容的庫。

  • HTML頁面的文字和後設資料
    • newspaper – 用Python進行新聞提取、文章提取和內容策展。
    • html2text – 將HTML轉為Markdown格式文字。
    • 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 -一個自動彙總文字檔案和HTML網頁的模組
    • Haul – 一個可擴充套件的影象爬蟲。
    • python-readability – arc90 readability工具的快速Python介面。
    • scrapely – 從HTML網頁中提取結構化資料的庫。給出了一些Web頁面和資料提取的示例,scrapely為所有類似的網頁構建一個分析器。
  • 視訊
    • youtube-dl – 一個從YouTube下載視訊的小命令列程式。
    • you-get – Python3的YouTube、優酷/ Niconico視訊下載器。
  • 維基
    • WikiTeam – 下載和儲存wikis的工具。

WebSocket

用於WebSocket的庫。

  • Crossbar – 開源的應用訊息傳遞路由器(Python實現的用於Autobahn的WebSocket和WAMP)。
  • AutobahnPython – 提供了WebSocket協議和WAMP協議的Python實現並且開源。
  • WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和伺服器庫。

DNS解析

  • dnsyo – 在全球超過1500個的DNS伺服器上檢查你的DNS。
  • pycares – c-ares的介面。c-ares是進行DNS請求和非同步名稱決議的C語言庫。

計算機視覺

  • OpenCV – 開源計算機視覺庫。
  • SimpleCV – 用於照相機、影象處理、特徵提取、格式轉換的簡介,可讀性強的介面(基於OpenCV)。
  • mahotas – 快速計算機影象處理演算法(完全使用 C++ 實現),完全基於 numpy 的陣列作為它的資料型別。

代理伺服器

  • tproxy – tproxy是一個簡單的TCP路由代理(第7層),基於Gevent,用Python進行配置。

其他Python工具列表

相關文章