- A+
所属分类:python
这个列表包含与网页抓取和数据处理的Python库
1. 网络
通用
- urllib?-网络库(stdlib)。
- requests?-网络库。
- grab?– 网络库(基于pycurl)。
- pycurl?– 网络库(绑定libcurl)。
- urllib3?– Python HTTP库,安全连接池、支持文件post、可用性高。
- httplib2?– 网络库。
- RoboBrowser?– 一个简单的、极具Python风格的Python库,无需独立的浏览器即可浏览网页。
- MechanicalSoup?-一个与网站自动交互Python库。
- Mechanize?-有状态、可编程的Web浏览库。
- socket?– 底层网络接口(stdlib)。
- Unirest for Python?– Unirest是一套可用于多种语言的轻量级的HTTP库。
- hyper?– Python的HTTP/2客户端。
- PySocks?– SocksiPy更新并积极维护的版本,包括错误修复和一些其他的特征。作为socket??榈闹苯犹婊?。
异步
2. 网络爬虫框架
功能齐全的爬虫
- grab?– 网络爬虫框架(基于pycurl/multicur)。
- scrapy?– 网络爬虫框架(基于twisted),不支持Python3。
- pyspider?– 一个强大的爬虫系统。
- 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资源工具包。它可以让你轻松地访问HTTP资源,并围绕它建立的对象。
- demiurge?– 基于PyQuery的爬虫微框架。
3. HTML/XML解析器
通用
- lxml?– C语言编写高效HTML/ XML处理库。支持XPath。
- cssselect?– 解析DOM树和CSS选择器。
- pyquery?– 解析DOM树和jQuery选择器。
- BeautifulSoup?– 低效HTML/ XML处理库,纯Python实现。
- html5lib?– 根据WHATWG规范生成HTML/ XML文档的DOM。该规范被用在现在所有的浏览器上。
- feedparser?– 解析RSS/ATOM feeds。
- MarkupSafe?– 为XML/HTML/XHTML提供了安全转义的字符串。
- xmltodict?– 一个可以让你在处理XML时感觉像在处理JSON一样的Python???。
- xhtml2pdf?– 将HTML/CSS转换为PDF。
- untangle?– 轻松实现将XML文件转换为Python对象。
清理
4. 文本处理
用于解析和操作简单文本的库
- 通用
- difflib?– (Python标准库)帮助进行差异化比较。
- Levenshtein?– 快速计算Levenshtein距离和字符串相似度。
- fuzzywuzzy?– 模糊字符串匹配。
- esmre?– 正则表达式加速器。
- ftfy?– 自动整理Unicode文本,减少碎片化。
- 转换
- unidecode?– 将Unicode文本转为ASCII。
- 字符编码
- uniout?– 打印可读字符,而不是被转义的字符串。
- chardet?– 兼容 Python的2/3的字符编码器。
- xpinyin?– 一个将中国汉字转为拼音的库。
- pangu.py?– 格式化文本中CJK和字母数字的间距。
- Slug化
- awesome-slugify?– 一个可以保留unicode的Python slugify库。
- python-slugify?– 一个可以将Unicode转为ASCII的Python slugify库。
- unicode-slugify?– 一个可以将生成Unicode slugs的工具。
- pytils?– 处理俄语字符串的简单工具(包括pytils.translit.slugify)。
- 通用解析器
- PLY?– lex和yacc解析工具的Python实现。
- pyparsing?– 一个通用框架的生成语法分析器。
- 人的名字
- python-nameparser?-解析人的名字的组件。
- 电话号码
- phonenumbers?-解析,格式化,存储和验证国际电话号码。
- 用户代理字符串
- python-user-agents?– 浏览器用户代理的解析器。
- HTTP Agent Parser?– Python的HTTP代理分析器。
5. 特定格式文件处理
解析和处理特定文本格式的库
- 通用
- tablib?– 一个把数据导出为XLS、CSV、JSON、YAML等格式的???。
- textract?– 从各种文件中提取文本,比如 Word、PowerPoint、PDF等。
- messytables?– 解析混乱的表格数据的工具。
- rows?– 一个常用数据接口,支持的格式很多(目前支持CSV,HTML,XLS,TXT – 将来还会提供更多?。?。
- Office
- python-docx?– 读取,查询和修改的Microsoft Word2007/2008的docx文件。
- xlwt?/?xlrd?– 从Excel文件读取写入数据和格式信息。
- XlsxWriter?– 一个创建Excel.xlsx文件的Python???。
- xlwings?– 一个BSD许可的库,可以很容易地在Excel中调用Python,反之亦然。
- openpyxl?– 一个用于读取和写入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的库。
- Marmir?– 提取Python数据结构并将其转换为电子表格。
- PDFMiner?– 一个从PDF文档中提取信息的工具。
- PyPDF2?– 一个能够分割、合并和转换PDF页面的库。
- ReportLab?– 允许快速创建丰富的PDF文档。
- pdftables?– 直接从PDF文件中提取表格。
- 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?– 一个非验证的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。
- 微格式
- opengraph?– 一个用来解析Open Graph协议标签的Python???。
- 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???。
- PSD
- psd-tools?– 将Adobe Photoshop PSD(即PE)文件读取到Python数据结构。
6. 自然语言处理
处理人类语言问题的库
- NLTK?-编写Python程序来处理人类语言数据的最好平台。
- Pattern?– Python的网络挖掘???。他有自然语言处理工具,机器学习以及其它。
- TextBlob?– 为深入自然语言处理任务提供了一致的API。是基于NLTK以及Pattern的巨人之肩上发展的。
- jieba?– 中文分词工具。
- SnowNLP?– 中文文本处理库。
- loso?– 另一个中文分词库。
- 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?– 一个韩文形态库。
- 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。
7. 浏览器自动化与仿真
- selenium?– 自动化真正的浏览器(Chrome浏览器,火狐浏览器,Opera浏览器,IE浏览器)。
- Ghost.py?– 对PyQt的webkit的封装(需要PyQT)。
- Spynner?– 对PyQt的webkit的封装(需要PyQT)。
- Splinter?– 通用API浏览器模拟器(selenium web驱动,Django客户端,Zope)。
8. 多重处理
- threading?– Python标准库的线程运行。对于I/O密集型任务很有效。对于CPU绑定的任务没用,因为python GIL。
- multiprocessing?– 标准的Python库运行多进程。
- 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 ??槲饔靡觳街葱刑峁┝艘桓龈卟愦蔚慕涌?。
9. 异步
异步网络编程库
- asyncio?– (在Python 3.4 +版本以上的 Python标准库)异步I/O,时间循环,协同程序和任务。
- Twisted?– 基于事件驱动的网络引擎框架。
- Tornado?– 一个网络框架和异步网络库。
- pulsar?– Python事件驱动的并发框架。
- diesel?– Python的基于绿色事件的I/O框架。
- gevent?– 一个使用greenlet 的基于协程的Python网络库。
- eventlet?– 有WSGI支持的异步框架。
- Tomorrow?– 异步代码的奇妙的修饰语法。
10. 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。
11. 云计算
- picloud?– 云端执行Python代码。
- dominoup.com?– 云端执行R,Python和matlab代码。
12. 电子邮件
电子邮件解析库
13. 网址和网络地址操作
解析/修改网址和网络地址库
- 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”。
- tldextract?– 从URL的注册域和子域中准确分离TLD,使用公共后缀列表。
- 网络地址
- netaddr?– 用于显示和操纵网络地址的Python库。
14. 网页内容提取
提取网页内容的库
- HTML页面的文本和元数据
- newspaper?– 用Python进行新闻提取、文章提取和内容策展。
- html2text?– 将HTML转为Markdown格式文本。
- python-goose?– HTML内容/文章提取器。
- lassie?– 人性化的网页内容检索工具
- micawber?– 一个从网址中提取丰富内容的小库。
- sumy?-一个自动汇总文本文件和HTML网页的???/li>
- Haul?– 一个可扩展的图像爬虫。
- python-readability?– arc90 readability工具的快速Python接口。
- scrapely?– 从HTML网页中提取结构化数据的库。给出了一些Web页面和数据提取的示例,- - - scrapely为所有类似的网页构建一个分析器。
- 视频
- youtube-dl?– 一个从YouTube下载视频的小命令行程序。
- you-get?– Python3的YouTube、优酷/ Niconico视频下载器。
- 维基
- WikiTeam?– 下载和保存wikis的工具。
15. WebSocket的库
用于WebSocket的库
- Crossbar?– 开源的应用消息传递路由器(Python实现的用于Autobahn的WebSocket和WAMP)。
- AutobahnPython?– 提供了WebSocket协议和WAMP协议的Python实现并且开源。
- WebSocket-for-Python?– Python 2和3以及PyPy的WebSocket客户端和服务器库。
16. DNS解析
17. 计算机视觉
- OpenCV?– 开源计算机视觉库。
- SimpleCV?– 用于照相机、图像处理、特征提取、格式转换的简介,可读性强的接口(基于OpenCV)。
- mahotas?– 快速计算机图像处理算法(完全使用 C++ 实现),完全基于 numpy 的数组作为它的数据类型。
18. 代理服务器
- shadowsocks?– 一个快速隧道代理,可帮你穿透防火墙(支持TCP和UDP,TFO,多用户和平滑重启,目的IP黑名单)。
- tproxy?– tproxy是一个简单的TCP路由代理(第7层),基于Gevent,用Python进行配置。
19. 其他Python工具列表

微信公众号
扫一扫关注运维生存时间公众号,获取最新技术文章~
18/08/2018 下午 8:36 沙发
嗨!
这是另一个链接给你 – PyXLL – https://www.pyxll.com.
PyXLL enables you to write full featured Excel Add-Ins in Python.
Features include:
– Write Excel user defined functions and macros in Python
– Extend the Excel UI with menu functions and custom ribbons
– Stream real time data to Excel from Python
– Asynchronous and thread safe functions
– Customizable type system for handling Excel Python type conversion
– Reload Python code without restarting Excel
谢谢!
Tony
29/06/2018 上午 9:58 板凳
这么多,一般用的也就那几个而已
30/03/2018 下午 4:53 地板
收藏了
13/02/2018 下午 2:07 4楼
scrapy支持python3
https://docs.scrapy.org/en/latest/intro/install.html
Scrapy runs on Python 2.7 and Python 3.4 or above under CPython (default Python implementation) and PyPy (starting with PyPy 5.9).
05/02/2018 下午 2:31 5楼
拜个早年