Python爬蟲工具列表

與爬蟲相關的常用模組列表 。

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。

• 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。

• 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

• 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