Python爬蟲(chóng)工具都有哪些

這篇文章將為大家詳細(xì)講解有關(guān)Python爬蟲(chóng)工具都有哪些，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個(gè)參考，希望大家閱讀完這篇文章后對(duì)相關(guān)知識(shí)有一定的了解。

與爬蟲(chóng)相關(guān)的常用模塊列表。

網(wǎng)絡(luò)

• 通用

• urllib -網(wǎng)絡(luò)庫(kù)(stdlib)。

• requests -網(wǎng)絡(luò)庫(kù)。

• grab – 網(wǎng)絡(luò)庫(kù)（基于pycurl）。

• pycurl – 網(wǎng)絡(luò)庫(kù)（綁定libcurl）。

• urllib3 – Python HTTP庫(kù)，安全連接池、支持文件post、可用性高。

• httplib2 – 網(wǎng)絡(luò)庫(kù)。

• RoboBrowser – 一個(gè)簡(jiǎn)單的、極具Python風(fēng)格的Python庫(kù)，無(wú)需獨(dú)立的瀏覽器即可瀏覽網(wǎng)頁(yè)。

• MechanicalSoup -一個(gè)與網(wǎng)站自動(dòng)交互Python庫(kù)。

• mechanize -有狀態(tài)、可編程的Web瀏覽庫(kù)。

• socket – 底層網(wǎng)絡(luò)接口(stdlib)。

• Unirest for Python – Unirest是一套可用于多種語(yǔ)言的輕量級(jí)的HTTP庫(kù)。

• hyper – Python的HTTP/2客戶端。

• PySocks – SocksiPy更新并積極維護(hù)的版本，包括錯(cuò)誤修復(fù)和一些其他的特征。作為socket模塊的直接替換。

• 異步

• treq – 類似于requests的API（基于twisted）。

• aiohttp – asyncio的HTTP客戶端/服務(wù)器(PEP-3156)。

網(wǎng)絡(luò)爬蟲(chóng)框架

• 功能齊全的爬蟲(chóng)

• grab – 網(wǎng)絡(luò)爬蟲(chóng)框架（基于pycurl/multicur）。

• scrapy – 網(wǎng)絡(luò)爬蟲(chóng)框架（基于twisted），不支持Python3。

• pyspider – 一個(gè)強(qiáng)大的爬蟲(chóng)系統(tǒng)。

• cola – 一個(gè)分布式爬蟲(chóng)框架。

• 其他

• portia – 基于Scrapy的可視化爬蟲(chóng)。

• restkit – Python的HTTP資源工具包。它可以讓你輕松地訪問(wèn)HTTP資源，并圍繞它建立的對(duì)象。

• demiurge – 基于PyQuery的爬蟲(chóng)微框架。

HTML/XML解析器

• 通用

• lxml – C語(yǔ)言編寫高效HTML/ XML處理庫(kù)。支持XPath。

• cssselect – 解析DOM樹(shù)和CSS選擇器。

• pyquery – 解析DOM樹(shù)和jQuery選擇器。

• BeautifulSoup – 低效HTML/ XML處理庫(kù)，純Python實(shí)現(xiàn)。

• html5lib – 根據(jù)WHATWG規(guī)范生成HTML/ XML文檔的DOM。該規(guī)范被用在現(xiàn)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(zhuǎn)義的字符串。

• xmltodict – 一個(gè)可以讓你在處理XML時(shí)感覺(jué)像在處理JSON一樣的Python模塊。

• xhtml2pdf – 將HTML/CSS轉(zhuǎn)換為PDF。

• untangle – 輕松實(shí)現(xiàn)將XML文件轉(zhuǎn)換為Python對(duì)象。

• 清理

• Bleach – 清理HTML（需要html5lib）。

• sanitize – 為混亂的數(shù)據(jù)世界帶來(lái)清明。

文本處理

用于解析和操作簡(jiǎn)單文本的庫(kù)。

• 通用

• difflib – （Python標(biāo)準(zhǔn)庫(kù)）幫助進(jìn)行差異化比較。

• Levenshtein – 快速計(jì)算Levenshtein距離和字符串相似度。

• fuzzywuzzy – 模糊字符串匹配。

• esmre – 正則表達(dá)式加速器。

• ftfy – 自動(dòng)整理Unicode文本，減少碎片化。

• 轉(zhuǎn)換

• unidecode – 將Unicode文本轉(zhuǎn)為ASCII。

• 字符編碼

• uniout – 打印可讀字符，而不是被轉(zhuǎn)義的字符串。

• chardet – 兼容 Python的2/3的字符編碼器。

• xpinyin – 一個(gè)將中國(guó)漢字轉(zhuǎn)為拼音的庫(kù)。

• pangu.py – 格式化文本中CJK和字母數(shù)字的間距。

• Slug化

• awesome-slugify – 一個(gè)可以保留unicode的Python slugify庫(kù)。

• python-slugify – 一個(gè)可以將Unicode轉(zhuǎn)為ASCII的Python slugify庫(kù)。

• unicode-slugify – 一個(gè)可以將生成Unicode slugs的工具。

• pytils – 處理俄語(yǔ)字符串的簡(jiǎn)單工具（包括pytils.translit.slugify）。

• 通用解析器

• PLY – lex和yacc解析工具的Python實(shí)現(xiàn)。

• pyparsing – 一個(gè)通用框架的生成語(yǔ)法分析器。

• 人的名字

• python-nameparser -解析人的名字的組件。

• 電話號(hào)碼

• phonenumbers -解析，格式化，存儲(chǔ)和驗(yàn)證國(guó)際電話號(hào)碼。

• 用戶代理字符串

• python-user-agents – 瀏覽器用戶代理的解析器。

• HTTP Agent Parser – Python的HTTP代理分析器。

特定格式文件處理

解析和處理特定文本格式的庫(kù)。

• 通用

• tablib – 一個(gè)把數(shù)據(jù)導(dǎo)出為XLS、CSV、JSON、YAML等格式的模塊。

• textract – 從各種文件中提取文本，比如 Word、PowerPoint、PDF等。

• messytables – 解析混亂的表格數(shù)據(jù)的工具。

• rows – 一個(gè)常用數(shù)據(jù)接口，支持的格式很多（目前支持CSV，HTML，XLS，TXT – 將來(lái)還會(huì)提供更多?。?/p>

• Office

• python-docx – 讀取，查詢和修改的Microsoft Word2007/2008的docx文件。

• xlwt / xlrd – 從Excel文件讀取寫入數(shù)據(jù)和格式信息。

• XlsxWriter – 一個(gè)創(chuàng)建Excel.xlsx文件的Python模塊。

• xlwings – 一個(gè)BSD許可的庫(kù)，可以很容易地在Excel中調(diào)用Python，反之亦然。

• openpyxl – 一個(gè)用于讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的庫(kù)。

• Marmir – 提取Python數(shù)據(jù)結(jié)構(gòu)并將其轉(zhuǎn)換為電子表格。

• PDF

• PDFMiner – 一個(gè)從PDF文檔中提取信息的工具。

• PyPDF2 – 一個(gè)能夠分割、合并和轉(zhuǎn)換PDF頁(yè)面的庫(kù)。

• ReportLab – 允許快速創(chuàng)建豐富的PDF文檔。

• pdftables – 直接從PDF文件中提取表格。

• Markdown

• Python-Markdown – 一個(gè)用Python實(shí)現(xiàn)的John Gruber的Markdown。

• Mistune – 速度最快，功能全面的Markdown純Python解析器。

• markdown2 – 一個(gè)完全用Python實(shí)現(xiàn)的快速的Markdown。

• YAML

• PyYAML – 一個(gè)Python的YAML解析器。

• CSS

• cssutils – 一個(gè)Python的CSS庫(kù)。

• ATOM/RSS

• feedparser – 通用的feed解析器。

• SQL

• sqlparse – 一個(gè)非驗(yàn)證的SQL語(yǔ)句分析器。

• HTTP

• HTTP

• http-parser – C語(yǔ)言實(shí)現(xiàn)的HTTP請(qǐng)求/響應(yīng)消息解析器。

• 微格式

• opengraph – 一個(gè)用來(lái)解析Open Graph協(xié)議標(biāo)簽的Python模塊。

• 可移植的執(zhí)行體

• pefile – 一個(gè)多平臺(tái)的用于解析和處理可移植執(zhí)行體（即PE）文件的模塊。

• PSD

• psd-tools – 將Adobe Photoshop PSD（即PE）文件讀取到Python數(shù)據(jù)結(jié)構(gòu)。

自然語(yǔ)言處理

處理人類語(yǔ)言問(wèn)題的庫(kù)。

• NLTK -編寫Python程序來(lái)處理人類語(yǔ)言數(shù)據(jù)的最好平臺(tái)。

• Pattern – Python的網(wǎng)絡(luò)挖掘模塊。他有自然語(yǔ)言處理工具，機(jī)器學(xué)習(xí)以及其它。

• TextBlob – 為深入自然語(yǔ)言處理任務(wù)提供了一致的API。是基于NLTK以及Pattern的巨人之肩上發(fā)展的。

• jieba – 中文分詞工具。

• SnowNLP – 中文文本處理庫(kù)。

• loso – 另一個(gè)中文分詞庫(kù)。

• genius – 基于條件隨機(jī)域的中文分詞。

• langid.py – 獨(dú)立的語(yǔ)言識(shí)別系統(tǒng)。

• Korean – 一個(gè)韓文形態(tài)庫(kù)。

• pymorphy2 – 俄語(yǔ)形態(tài)分析器（詞性標(biāo)注+詞形變化引擎）。

• PyPLN  – 用Python編寫的分布式自然語(yǔ)言處理通道。這個(gè)項(xiàng)目的目標(biāo)是創(chuàng)建一種簡(jiǎn)單的方法使用NLTK通過(guò)網(wǎng)絡(luò)接口處理大語(yǔ)言庫(kù)。

瀏覽器自動(dòng)化與仿真

• selenium – 自動(dòng)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(duì)PyQt的webkit的封裝（需要PyQT）。

• Spynner – 對(duì)PyQt的webkit的封裝（需要PyQT）。

• Splinter – 通用API瀏覽器模擬器（selenium web驅(qū)動(dòng)，Django客戶端，Zope）。

多重處理

• threading – Python標(biāo)準(zhǔn)庫(kù)的線程運(yùn)行。對(duì)于I/O密集型任務(wù)很有效。對(duì)于CPU綁定的任務(wù)沒(méi)用，因?yàn)閜ython GIL。

• multiprocessing – 標(biāo)準(zhǔn)的Python庫(kù)運(yùn)行多進(jìn)程。

• celery – 基于分布式消息傳遞的異步任務(wù)隊(duì)列/作業(yè)隊(duì)列。

• concurrent-futures – concurrent-futures 模塊為調(diào)用異步執(zhí)行提供了一個(gè)高層次的接口。

異步

異步網(wǎng)絡(luò)編程庫(kù)

• asyncio – （在Python 3.4 +版本以上的 Python標(biāo)準(zhǔn)庫(kù)）異步I/O，時(shí)間循環(huán)，協(xié)同程序和任務(wù)。

• Twisted – 基于事件驅(qū)動(dòng)的網(wǎng)絡(luò)引擎框架。

• Tornado – 一個(gè)網(wǎng)絡(luò)框架和異步網(wǎng)絡(luò)庫(kù)。

• pulsar – Python事件驅(qū)動(dòng)的并發(fā)框架。

• diesel – Python的基于綠色事件的I/O框架。

• gevent – 一個(gè)使用greenlet 的基于協(xié)程的Python網(wǎng)絡(luò)庫(kù)。

• eventlet – 有WSGI支持的異步框架。

• Tomorrow – 異步代碼的奇妙的修飾語(yǔ)法。

隊(duì)列

• celery – 基于分布式消息傳遞的異步任務(wù)隊(duì)列/作業(yè)隊(duì)列。

• huey – 小型多線程任務(wù)隊(duì)列。

• mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任務(wù)隊(duì)列。

• RQ – 基于Redis的輕量級(jí)任務(wù)隊(duì)列管理器。

• simpleq – 一個(gè)簡(jiǎn)單的，可無(wú)限擴(kuò)展，基于Amazon SQS的隊(duì)列。

• python-gearman – Gearman的Python API。

云計(jì)算

• picloud – 云端執(zhí)行Python代碼。

• dominoup.com – 云端執(zhí)行R，Python和matlab代碼。

電子郵件

電子郵件解析庫(kù)

• flanker – 電子郵件地址和Mime解析庫(kù)。

• Talon – Mailgun庫(kù)用于提取消息的報(bào)價(jià)和簽名。

網(wǎng)址和網(wǎng)絡(luò)地址操作

解析/修改網(wǎng)址和網(wǎng)絡(luò)地址庫(kù)。

• URL

• furl – 一個(gè)小的Python庫(kù)，使得操縱URL簡(jiǎn)單化。

• purl – 一個(gè)簡(jiǎn)單的不可改變的URL以及一個(gè)干凈的用于調(diào)試和操作的API。

• urllib.parse – 用于打破統(tǒng)一資源定位器（URL）的字符串在組件（尋址方案，網(wǎng)絡(luò)位置，路徑等）之間的隔斷，為了結(jié)合組件到一個(gè)URL字符串，并將“相對(duì)URL”轉(zhuǎn)化為一個(gè)絕對(duì)URL，稱之為“基本URL”。

• tldextract – 從URL的注冊(cè)域和子域中準(zhǔn)確分離TLD，使用公共后綴列表。

• 網(wǎng)絡(luò)地址

• netaddr – 用于顯示和操縱網(wǎng)絡(luò)地址的Python庫(kù)。

網(wǎng)頁(yè)內(nèi)容提取

提取網(wǎng)頁(yè)內(nèi)容的庫(kù)。

• HTML頁(yè)面的文本和元數(shù)據(jù)

• newspaper – 用Python進(jìn)行新聞提取、文章提取和內(nèi)容策展。

• html2text – 將HTML轉(zhuǎn)為Markdown格式文本。

• python-goose – HTML內(nèi)容/文章提取器。

• lassie – 人性化的網(wǎng)頁(yè)內(nèi)容檢索工具

• micawber – 一個(gè)從網(wǎng)址中提取豐富內(nèi)容的小庫(kù)。

• sumy -一個(gè)自動(dòng)匯總文本文件和HTML網(wǎng)頁(yè)的模塊

• Haul – 一個(gè)可擴(kuò)展的圖像爬蟲(chóng)。

• python-readability – arc90 readability工具的快速Python接口。

• scrapely – 從HTML網(wǎng)頁(yè)中提取結(jié)構(gòu)化數(shù)據(jù)的庫(kù)。給出了一些Web頁(yè)面和數(shù)據(jù)提取的示例，scrapely為所有類似的網(wǎng)頁(yè)構(gòu)建一個(gè)分析器。

• 視頻

• youtube-dl – 一個(gè)從YouTube下載視頻的小命令行程序。

• you-get – Python3的YouTube、優(yōu)酷/ Niconico視頻下載器。

• 維基

• WikiTeam – 下載和保存wikis的工具。

WebSocket

用于WebSocket的庫(kù)。

• Crossbar – 開(kāi)源的應(yīng)用消息傳遞路由器（Python實(shí)現(xiàn)的用于Autobahn的WebSocket和WAMP）。

• AutobahnPython – 提供了WebSocket協(xié)議和WAMP協(xié)議的Python實(shí)現(xiàn)并且開(kāi)源。

• WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和服務(wù)器庫(kù)。

DNS解析

• dnsyo – 在全球超過(guò)1500個(gè)的DNS服務(wù)器上檢查你的DNS。

• pycares – c-ares的接口。c-ares是進(jìn)行DNS請(qǐng)求和異步名稱決議的C語(yǔ)言庫(kù)。

計(jì)算機(jī)視覺(jué)

• OpenCV – 開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)。

• SimpleCV – 用于照相機(jī)、圖像處理、特征提取、格式轉(zhuǎn)換的簡(jiǎn)介，可讀性強(qiáng)的接口（基于OpenCV）。

• mahotas – 快速計(jì)算機(jī)圖像處理算法（完全使用 C++ 實(shí)現(xiàn)），完全基于 numpy 的數(shù)組作為它的數(shù)據(jù)類型。

代理服務(wù)器

• tproxy – tproxy是一個(gè)簡(jiǎn)單的TCP路由代理（第7層），基于Gevent，用Python進(jìn)行配置。

關(guān)于Python爬蟲(chóng)工具都有哪些就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。