好程式設計師Python培訓分享Python爬蟲工具列表大全

　　好程式設計師Python 培訓分享 Python 爬蟲工具列表大全， 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 透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。

　　 – 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。

　　 影片

　　 youtube-dl – 一個從 YouTube 下載影片的小命令列程式。

　　 you-get – Python3 的 YouTube 、優酷 / Niconico 影片下載器。

　　 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