Python 爬蟲的工具列表附Github代碼下載鏈接

摘要： 這個列表包含與網頁抓取和數據處理的Python庫 (1) 網路 (2) 網路爬蟲...

這個列表包含與網頁抓取和數據處理的Python庫

網路

• 通用
  • urllib -網路庫(stdlib)。
  • requests -網路庫。
  • grab – 網路庫（基於pycurl）。
  • pycurl – 網路庫（綁定libcurl）。
  • urllib3 – Python HTTP庫，安全連接池、支持檔post、可用性高。
  • httplib2 – 網路庫。
  • RoboBrowser – 一個簡單的、極具Python風格的Python庫，無需獨立的流覽器即可流覽網頁。
  • MechanicalSoup -一個與網站自動交互Python庫。
  • mechanize -有狀態、可程式設計的Web流覽庫。
  • socket – 底層網路介面(stdlib)。
  • Unirest for Python – Unirest是一套可用於多種語言的羽量級的HTTP庫。
  • hyper – Python的HTTP/2用戶端。
  • 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用戶端/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。支持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文檔的DOM。該規範被用在現在所有的流覽器上。
  • 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。

文本處理

用於解析和操作簡單文本的庫。

• 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 – 規則運算式加速器。
• ftfy – 自動整理Unicode文本，減少碎片化。

• 轉換

• unidecode – 將Unicode文本轉為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和字母數位的間距。

• 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 -解析人的名字的組件。

• 電話號碼

• phonenumbers -解析，格式化，存儲和驗證國際電話號碼。

• 使用者代理字串

• python-user-agents – 流覽器使用者代理的解析器。
• HTTP Agent Parser – Python的HTTP代理分析器。

特定格式檔處理

解析和處理特定文本格式的庫。

• 通用

• tablib – 一個把資料匯出為XLS、CSV、JSON、YAML等格式的模組。
• textract – 從各種檔中提取文本，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。
• xlwt / xlrd – 從Excel檔讀取寫入資料和格式資訊。
• XlsxWriter – 一個創建Excel.xlsx檔的Python模組。
• xlwings – 一個BSD許可的庫，可以很容易地在Excel中調用Python，反之亦然。
• openpyxl – 一個用於讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM檔的庫。
• Marmir – 提取Python資料結構並將其轉換為試算表。

• PDF

• PDFMiner – 一個從PDF文檔中提取資訊的工具。
• PyPDF2 – 一個能夠分割、合併和轉換PDF頁面的庫。
• ReportLab – 允許快速創建豐富的PDF文檔。
• pdftables – 直接從PDF檔中提取表格。

• 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/回應訊息解析器。

• 微格式

• opengraph – 一個用來解析Open Graph協定標籤的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）檔的模組。

• PSD

• psd-tools – 將Adobe Photoshop PSD（即PE）檔讀取到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 – 中文文本處理庫。
• loso – 另一個中文分詞庫。
• 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（詞性標注+詞形變化引擎）。
• PyPLN  – 用Python編寫的分散式自然語言處理通道。這個專案的目標是創建一種簡單的方法使用NLTK通過網路介面處理大語言庫。

流覽器自動化與模擬

• selenium – 自動化真正的流覽器（Chrome流覽器，火狐流覽器，Opera流覽器，IE流覽器）。
• 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流覽器模擬器（selenium web驅動，Django用戶端，Zope）。

多重處理

• threading – Python標準庫的執行緒運行。對於I/O密集型任務很有效。對於CPU綁定的任務沒用，因為python GIL。
• multiprocessing – 標準的Python庫運行多進程。
• celery – 基於分散式消息傳遞的非同步任務佇列/作業佇列。
• concurrent-futures – concurrent-futures 模組為調用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 – 非同步代碼的奇妙的修飾語法。

佇列

• celery – 基於分散式消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的羽量級任務佇列管理器。
• simpleq – 一個簡單的，可無限擴展，基於Amazon SQS的佇列。
• python-gearman – Gearman的Python API。

雲計算

• picloud – 雲端執行Python代碼。
• dominoup.com – 雲端執行R，Python和matlab代碼。

電子郵件

電子郵件解析庫

• flanker – 電子郵寄地址和Mime解析庫。
• Talon – Mailgun庫用於提取消息的報價和簽名。

網址和網路位址操作

解析/修改網址和網路位址庫。

• 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調試和操作的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，使用公共尾碼列表。

• 網路位址
  • netaddr – 用於顯示和操縱網路位址的Python庫。

網頁內容提取

提取網頁內容的庫。

• HTML頁面的文本和中繼資料
  • newspaper – 用Python進行新聞提取、文章提取和內容策展。
  • html2text – 將HTML轉為Markdown格式文本。
  • 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 -一個自動匯總文字檔和HTML網頁的模組
  • Haul – 一個可擴展的圖像爬蟲。
  • 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。

• 視頻
  • youtube-dl – 一個從YouTube下載視頻的小命令列程式。
  • you-get – Python3的YouTube、優酷/ Niconico視頻下載器。

• 維琪
  • WikiTeam – 下載和保存wikis的工具。

WebSocket

用於WebSocket的庫。

• Crossbar – 開源的應用消息傳遞路由器（Python實現的用於Autobahn的WebSocket和WAMP）。
• AutobahnPython – 提供了WebSocket協定和WAMP協定的Python實現並且開源。
• WebSocket-for-Python – Python 2和3以及PyPy的WebSocket用戶端和伺服器庫。

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。

電腦視覺

• OpenCV – 開源電腦視覺庫。
• 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 – 快速電腦影像處理演算法（完全使用 C++ 實現），完全基於 numpy 的陣列作為它的資料類型。

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，多用戶和平滑重啟，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

轉貼自： 36大數據