156个Python网络爬虫资源

Posted 2020-10-02

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了156个Python网络爬虫资源相关的知识，希望对你有一定的参考价值。

本列表包含Python网页抓取和数据处理相关的库。

网络相关

通用
urllib - 网络库(标准库)
requests - 网络库
grab - 网络库(基于pycurl)
pycurl - 网络库 (与libcurl绑定)
urllib3 - 具有线程安全连接池、文件psot支持、高可用的Python HTTP库
httplib2 - 网络库
RoboBrowser - 一个无需独立浏览器即可访问网页的简单、pythonic的库
MechanicalSoup - 能完成自动网站交互的Python库
mechanize - 有状态、可编程的网页浏览库。
socket - 底层网络接口(标准库)
Unirest for Python - 一套支持多种语言的轻量级HTTP库
hyper - Python HTTP/2客户端
PySocks - SocksiPy持续更新并维护的版本，指出bug修复和一些其他功能，可以作为socket模块的替代品
异步
treq - 基于twisted、与requests类似的API
aiohttp - asyncio的HTTP客户端/服务器 (PEP-3156)

网络爬虫框架

全能型爬虫
grab - 网络爬虫框架(基于pycurl/multicurl)
scrapy - 网络爬虫框架(基于twisted)
pyspider - 一个强力的爬虫系统
cola - 一个分布式爬虫框架
其他
portia - 基于Scrapy的可视化爬虫
restkit - Python的HTTP资源库。允许影虎简单的访问HTTP资源并用来创建项目
demiurge - 基于PyQuery的微型爬虫框架

html/XML解析

通用
lxml - 高效的HTML/XML处理库。支持XPATH，用C语言写成
cssselect - 解析DOM树和css选择器
pyquery - 解析DOM树和jQuery选择器
BeautifulSoup - Python写成的低效HTML/XMl处理库
html5lib - 根据WHATWG规范生成HTML/ XML文档的DOM。WHATWG规范是现在浏览器的通行规范
feedparser - 解析RSS/ATOM信息流
MarkupSafe - Python的XML/HTML/XHTML安全转义字符串工具
xmltodict - 让你处理XML如同处理JSON一样
xhtml2pdf - HTML/CSS to PDF转化器
untangle - 讲XML文档转化为Python项目以简化处理难度
hodor - 支持lxml and cssselect的配置驱动包装工具
清理
Bleach - 清理HTML (需求html5lib)
sanitize - 将混乱的数据世界恢复清楚

文本处理

解析及操作文本的库

通用
difflib - 差异化计算工具(Python标准库)
Levenshtein - 快速计算编辑距离及字符串相似度
fuzzywuzzy - 模糊字符串比匹配
esmre - 正则表达式加速器.
ftfy - 将Unicode文本自动整理减少碎片化
转换
unidecode - Unicode转化为ASCII文本
字符编码
uniout - 将转移字符串输出为可读形式
chardet - Python 2/3兼容字符编码检测器
xpinyin - 讲汉字转为拼音的库
pangu.py - CJK及字母数字文本间距格式化
Slug化
awesome-slugify - 可保留Unicode的Python slugify库
python-slugify - 讲Unicode转为ASCII的Python slugify库
unicode-slugify - unicode slugs生成工具
pytils - 处理俄语字符串的小工具(包含pytils.translit.slugify)
通用解析器
PLY - Python lex和yacc解析工具
pyparsing - 用于生成解析器的通用框架
人名
python-nameparser - 姓名解析组件
电话号码
phonenumbers - 处理、格式化、存储、验证全球电话号码
用户代理字符串
python-user-agents - 浏览器用户代理解析器
HTTP Agent Parser - Python HTTP代理解析器
fake-useragent - 基于全球浏览器统计的Python用户代理欺骗器
user_agent - 用户代理数据生成器

特殊格式处理

处理特编辑特殊字符格式的库

通用
tablib - 处理XLS, CSV, JSON, YAML等表格数据的库
textract - 从任何文档中提取文本，支持Word, PowerPoint, PDF等
messytables - 杂乱的表格数据解析
rows - 支持多种格式的通用且美观的表格数据处理器(现有CSV, HTML, XLS, TXT -- 即将支持更多)
Office
python-docx - 阅读，查询和修改Microsoft Word 2007/2008 docx文件
xlwt / xlrd - 从Excel读取及写入数据和格式化信息
XlsxWriter - 用于穿件Excel .xlsx文件的Python模块
xlwings - 一个BSD许可的库，是Excel与Python互相调用更加简单
openpyxl - 可读取、编辑Excel 2010xlsx/xlsm/xltx/xltm文件的库
Marmir - 提取Python数据结构并将其转化为表格的库
PDF
PDFMiner - 从PDF文档中提取信息的工具
PyPDF2 - 一个分割、合并、转换PDF文件的库
ReportLab - 可以快速创建大量PDF文档
pdftables - 从PDF文件中精准提取表格
Markdown
Python-Markdown - 一个用Python实现的John Gruber的Markdown
Mistune - 速度最快，功能全面的Markdown纯Python解析器
markdown2 - 一个完全用Python实现的快速的Markdown
YAML
PyYAML - 一个Python的YAML解析器
CSS
cssutils - 一个Python的CSS库
ATOM/RSS
feedparser - 通用的feed解析器
SQL
sqlparse - 一个无验证的SQL语句分析器
HTTP
http-parser - C语言实现的HTTP请求/响应消息解析器
Microformats
opengraph - 一个用来解析Open Graph协议标签的Python模块
可移植的执行体
pefile - 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 - 将Adobe Photoshop PSD（即PE）文件读取到Python数据结构

自然语言处理

自然语言处理库

NLTK - Python自然语言处理领先者
Pattern - 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 - 为深入处理自然语言的项目提供API，参考了NLTK及其他
jieba - 中文分词
SnowNLP - 汉字文本处理库
loso - 中文分词库
genius -基于条件随机域的中文分词
langid.py - 独立的语言识别系统
Korean - 韩文形态库
pymorphy2 - 俄语形态分析器（词性标注+词形变化引擎）
PyPLN - 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
langdetect - Python的谷歌语言检测库端口

浏览器自动化与仿真

浏览器
selenium - 自动化真实浏览器(Chrome, Firefox, Opera, IE)
Ghost.py - QtWebKit封装(需求PyQT)
Spynner - 具备AJAX支持的程序化网页浏览模块
Splinter - 通用API浏览器模拟器（selenium web驱动，Django客户端，Zope）
Headless工具
xvfbwrapper - 用于在X虚拟帧缓冲区（Xvfb）中运行显示的Python包装器

多进程并发

threading - Python标准库的多线程运行。因为python GIL限制，对于I/O密集型任务很有效，对于CPU绑定的任务没用
multiprocessing - 多进程标准库
celery - 基于分布式消息传递的异步任务队列/作业队列
concurrent-futures - concurrent.futures模块提供用于异步执行callable的高级接口

异步

异步网络编程库

asyncio - 异步I/O，时间循环，协同程序和任务(Python 3.4以上版本的Python标准库)
Twisted - 基于事件驱动的网络引擎框架
Tornado - 一个Web框架及异步网络库
pulsar - Python事件驱动的并发框架
diesel - Python的基于Greenlet的I/O框架
gevent - 一个基于协同程序的Python网络库，使用greenlet
eventlet - 有WSGI支持的异步框架
Tomorrow - 异步代码的魔法

队列

celery - 基于分布式消息传递的异步任务队列/作业队列
huey - 小型多线程任务队列
mrq - Mr. Queue - 使用redis & Gevent 的Python分布式工作任务队列
RQ - 基于Redis的轻量级任务队列管理器
simpleq - 一个简单的，可无限扩展，基于Amazon SQS的队列
python-gearman - Gearman的Python API

云计算

picloud - 在云端执行Python
dominoup.com - 在云端执行R, Python及matlab代码

电子邮件

电子邮件处理库

flanker - 电子邮件及MIME处理库
Talon - Mailgun库用于提取消息的报价和签名

URL和网络地址操作

URL和网络地址操作库

URL
furl - 一个小的Python库，使得操纵URL简单化
purl - 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 - 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”（标准库）
tldextract - 使用公共后缀列表从URL的注册域和子域中准确分离TLD
网络地址
netaddr - 用于显示和操纵网络地址的Python库