小白學python－爬蟲常用庫

１．urllib   re

2.requests

pip3 install requests

３．selenium (驅動瀏覽器，自動化測試，載入js絢爛)

４．ChromDriver  （放到usr/bin目錄下）

wget -N http://chromedriver.storage.googleapis.com/2.29/chromedriver_linux64.zip

安裝Google chrome瀏覽器:

      將下載源加入到系統的源列表。命令的反饋結果如圖。

sudo wget http://www.linuxidc.com/files/repo/google-chrome.list -P /etc/apt/sources.list.d/

匯入谷歌軟體的公鑰，用於下面步驟中對下載軟體進行驗證。

wget -q -O - https://dl.google.com/linux/linux_signing_key.pub  | sudo apt-key add -

用於對當前系統的可用更新列表進行更新

sudo apt-get update

執行對谷歌 Chrome 瀏覽器（穩定版）的安裝。

sudo apt-get install google-chrome-stable

啟動谷歌 Chrome 瀏覽器

/usr/bin/google-chrome-stable

驗證是否安裝成功:

from selenium import webdriver

driver = webdriver.Chrome()
driver.get("http://zhaoyabei.github.io/")
driver.save_screenshot(driver.title+".png")

可以發現Ｇｏｏｇｌｅ　ｃｈｒｏｍｅ　開啟了。

５．phantomjs

提供一個瀏覽器環境的命令列介面，你可以把它看作一個“虛擬瀏覽器”，除了不能瀏覽，其他與正常瀏覽器一樣。它的核心是WebKit引擎，不提供圖形介面，只能在命令列下使用，我們可以用它完成一些特殊的用途。

https://github.com/ariya/phantomjs/archive/2.1.3.zip

apt install phantomjs

6.lxml (解析網頁)

pip3 install lxml

7.beautifulsoup（網頁解析庫）

pip3 install beautifulsoup4

8.pyquery(網頁解析庫)

語法和ｊｑｕｅｒｙ相似

pip3 install pyquery

9.pymysql

pip3 install pymysql

>>> import pymysql
>>> conn = pymysql.connect(host="localhost",user="root",password="123456",port=3306,db="cxx")
>>> cursor = conn.cursor()
>>> cursor.execute('select* from user')
1
>>> cursor.fetchone()
(1, 'root', '123456')

import pymysql  #匯入 pymysql

#開啟資料庫連線
db= pymysql.connect(host="localhost",user="root",
 	password="123456",db="test",port=3307)

# 使用cursor()方法獲取操作遊標
cur = db.cursor()

#1.查詢操作
# 編寫sql 查詢語句  user 對應我的表名
sql = "select * from user"
try:
	cur.execute(sql) 	#執行sql語句

	results = cur.fetchall()	#獲取查詢的所有記錄
	print("id","name","password")
	#遍歷結果
	for row in results :
		id = row[0]
		name = row[1]
		password = row[2]
		print(id,name,password)
except Exception as e:
	raise e
finally:
	db.close()	#關閉連線

９．pymongo (用mongodb儲存資料，不需要建表，不需關心表的結構)

pip3 install pymongo

>>> client = pymongo.MongoClient('localhost', 27017)
>>> db = client.test_database
>>> db = client['test-database']
>>> db = client.personmap
>>> collection = db.person
>>> collection.find()
<pymongo.cursor.Cursor object at 0x7fe80ab290f0>
>>> collection.find_one({'name':"01"})
{'_id': ObjectId('5a673abe6f4fd2195f89a40a'), 'age': 1.0, 'name': '01'}
db.person.insert({"name":"07","age":"3"})
ObjectId('5a683e1ea91935096798c2ad')
>>> collection.find_one({'name':"07"})
{'_id': ObjectId('5a683e1ea91935096798c2ad'), 'age': '3', 'name': '07'}

10.redis (分散式)

pip3 install redis

在 Ubuntu 系統安裝 Redi 可以使用以下命令:

$sudo apt-get update
$sudo apt-get install redis-server

啟動 Redis

$ redis-server

檢視 redis 是否啟動？

$ redis-cli

以上命令將開啟以下終端：

redis 127.0.0.1:6379>

127.0.0.1 是本機 IP ，6379 是 redis 服務埠。現在我們輸入 PING 命令。

redis 127.0.0.1:6379> ping
PONG

以上說明我們已經成功安裝了redis。

11.flask(Flask是一個使用 Python 編寫的輕量級 Web 應用框架。代理設定常用)

pip3 install flask

from flask import Flask
app = Flask(__name__)
@app.route("/")
def hello():    
    return "Hello World!"
 
if __name__ == "__main__":
    app.run()

12.django（web伺服器框架，來做一個完整的網站）

Django是重量級選手中最有代表性的一位。許多成功的網站和APP都基於Django。採用了MT'V的框架模式，即模型M，模板T和檢視V。

pip3 install django

13.jupyter(記事本，線上除錯，線上執行,安裝的時候依賴庫比較多)

是一個互動式筆記本，支援執行 40 多種程式語言。Jupyter Notebook 的本質是一個 Web 應用程式，便於建立和共享文學化程式文件，支援實時程式碼，數學方程，視覺化和markdown。 用途包括：資料清理和轉換，數值模擬，統計建模，機器學習等等

pip3 install jupyter
jupyter notebook

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

• python-nameparser -解析人的名字的元件。

• 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

• python-user-agents – 瀏覽器使用者代理的解析器。
• HTTP Agent Parser – Python的HTTP代理分析器。

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

• feedparser – 通用的feed解析器。

• 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像爬蟲。
  • 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、影像處理、特徵提取、格式轉換的簡介，可讀性強的介面（基於OpenCV）。
• mahotas – 快速計算機影像處理演算法（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

• shadowsocks – 一個快速隧道代理，可幫你穿透防火牆（支援TCP和UDP，TFO，多使用者和平滑重啟，目的IP黑名單）。
• 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

• awesome-python
• pycrumbs
• python-github-projects
• python_reference
• pythonidae