广东南粤风采36选7:Python 爬虫的工具列表

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

• treq?– 类似于requests的API（基于twisted）。
• aiohttp?– asyncio的HTTP客户端/服务器(PEP-3156)。

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

• Bleach?– 清理HTML（需要html5lib）。
• sanitize?– 为混乱的数据世界带来清明。

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。
• PDF
• 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

• flanker?– 电子邮件地址和Mime解析库。
• Talon?– Mailgun库用于提取消息的报价和签名。

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

• dnsyo?– 在全球超过1500个的DNS服务器上检查你的DNS。
• pycares?– c-ares的接口。c-ares是进行DNS请求和异步名称决议的C语言库。

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

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