好程序員Python培訓(xùn)分享Python爬蟲工具列表大全

　　好程序員Python 培訓(xùn)分享 Python 爬蟲工具列表大全， 網(wǎng)絡(luò) 。

　　 通用

　　 urllib - 網(wǎng)絡(luò)庫 (stdlib) 。

　　 requests - 網(wǎng)絡(luò)庫。

　　 grab – 網(wǎng)絡(luò)庫（基于 pycurl ）。

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

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

　　 httplib2 – 網(wǎng)絡(luò)庫。

　　 RoboBrowser – 一個簡單的、極具 Python 風格的 Python 庫，無需獨立的瀏覽器即可瀏覽網(wǎng)頁。

　　 MechanicalSoup - 一個與網(wǎng)站自動交互 Python 庫。

　　 mechanize - 有狀態(tài)、可編程的 Web 瀏覽庫。

　　 socket – 底層網(wǎng)絡(luò)接口 (stdlib) 。

　　 Unirest for Python – Unirest 是一套可用于多種語言的輕量級的 HTTP 庫。

　　 hyper – Python 的 HTTP/2 客戶端。

　　 PySocks – SocksiPy 更新并積極維護的版本，包括錯誤修復(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)爬蟲框架

　　 功能齊全的爬蟲

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

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

　　 pyspider – 一個強大的爬蟲系統(tǒng)。

　　 cola – 一個分布式爬蟲框架。

　　 其他

　　 portia – 基于 Scrapy 的可視化爬蟲。

　　 restkit – Python 的 HTTP 資源工具包。它可以讓你輕松地訪問 HTTP 資源，并圍繞它建立的對象。

　　 demiurge – 基于 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(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 – 一個可以讓你在處理 XML 時感覺像在處理 JSON 一樣的 Python 模塊。

　　 xhtml2pdf – 將 HTML/CSS 轉(zhuǎn)換為 PDF 。

　　 untangle – 輕松實現(xiàn)將 XML 文件轉(zhuǎn)換為 Python 對象。

　　 清理

　　 Bleach – 清理 HTML （需要 html5lib ）。

　　 sanitize – 為混亂的數(shù)據(jù)世界帶來清明。

　　 文本處理

　　 用于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 距離和字符串相似度。

　　 fuzzywuzzy – 模糊字符串匹配。

　　 esmre – 正則表達式加速器。

　　 ftfy – 自動整理 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 – 一個將中國漢字轉(zhuǎn)為拼音的庫。

　　 pangu.py – 格式化文本中 CJK 和字母數(shù)字的間距。

　　 Slug 化

　　 awesome-slugify – 一個可以保留 unicode 的 Python slugify 庫。

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

　　 unicode-slugify – 一個可以將生成 Unicode slugs 的工具。

　　 pytils – 處理俄語字符串的簡單工具（包括 pytils.translit.slugify ）。

　　 通用解析器

　　 PLY – lex 和 yacc 解析工具的 Python 實現(xiàn)。

　　 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。

　　 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。

　　 通用

　　 tablib – 一個把數(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 – 將來還會提供更多?。?/span>

　　 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 – 一個創(chuàng)建 Excel.xlsx 文件的 Python 模塊。

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

　　 openpyxl – 一個用于讀取和寫入的 Excel2010 XLSX/ XLSM/ xltx/ XLTM 文件的庫。

　　 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 – 一個從 PDF 文檔中提取信息的工具。

　　 PyPDF2 – 一個能夠分割、合并和轉(zhuǎn)換 PDF 頁面的庫。

　　 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 – 一個用 Python 實現(xiàn)的 John Gruber 的 Markdown 。

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

　　 markdown2 – 一個完全用 Python 實現(xiàn)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(xiàn)的 HTTP 請求 / 響應(yīng)消息解析器。

　　 微格式

　　 opengraph – 一個用來解析 Open Graph 協(xié)議標簽的 Python 模塊。

　　 可移植的執(zhí)行體

　　 pefile – 一個多平臺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)。

　　 自然語言處理

　　 處理人類語言問題的庫。

　　 NLTK - 編寫 Python 程序來處理人類語言數(shù)據(jù)的最好平臺。

　　 Pattern – Python 的網(wǎng)絡(luò)挖掘模塊。他有自然語言處理工具，機器學(xué)習以及其它。

　　 TextBlob – 為深入自然語言處理任務(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。

　　 loso – 另一個中文分詞庫。

　　 genius – 基于條件隨機域的中文分詞。

　　 langid.py – 獨立的語言識別系統(tǒng)。

　　 Korean – 一個韓文形態(tài)庫。

　　 pymorphy2 – 俄語形態(tài)分析器（詞性標注 + 詞形變化引擎）。

　　 PyPLN – 用 Python 編寫的分布式自然語言處理通道。這個項目的目標是創(chuàng)建一種簡單的方法使用 NLTK 通過網(wǎng)絡(luò)接口處理大語言庫。

　　 瀏覽器自動化與仿真

　　 selenium – 自動化真正的瀏覽器（ Chrome 瀏覽器，火狐瀏覽器， Opera 瀏覽器， IE 瀏覽器）。

　　 Ghost.py – 對 PyQt 的 webkit 的封裝（需要 PyQT ）。

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

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

　　 多重處理

　　 threading – Python 標準庫的線程運行。對于 I/O 密集型任務(wù)很有效。對于 CPU 綁定的任務(wù)沒用，因為 python GIL 。

　　 multiprocessing – 標準的 Python 庫運行多進程。

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

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

　　 異步

　　 異步網(wǎng)絡(luò)編程庫

　　 asyncio – （在 Python 3.4 + 版本以上的 Python 標準庫）異步 I/O ，時間循環(huán)，協(xié)同程序和任務(wù)。

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

　　 Tornado – 一個網(wǎng)絡(luò)框架和異步網(wǎng)絡(luò)庫。

　　 pulsar – Python 事件驅(qū)動的并發(fā)框架。

　　 diesel – Python 的基于綠色事件的 I/O 框架。

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

　　 eventlet – 有 WSGI 支持的異步框架。

　　 Tomorrow – 異步代碼的奇妙的修飾語法。

　　 隊列

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

　　 huey – 小型多線程任務(wù)隊列。

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

　　 RQ – 基于 Redis 的輕量級任務(wù)隊列管理器。

　　 simpleq – 一個簡單的，可無限擴展，基于 Amazon SQS 的隊列。

　　 python-gearman – Gearman 的 Python API 。

　　 云計算

　　 picloud – 云端執(zhí)行 Python 代碼。

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

　　 電子郵件

　　 電子郵件解析庫

　　 flanker – 電子郵件地址和 Mime 解析庫。

　　 Talon – Mailgun 庫用于提取消息的報價和簽名。

　　 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。

　　 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 URL 字符串，并將“相對 URL ”轉(zhuǎn)化為一個絕對 URL ，稱之為“基本 URL ”。

　　 tldextract – 從 URL 的注冊域和子域中準確分離 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。

　　 網(wǎng)頁內(nèi)容提取

　　 提取網(wǎng)頁內(nèi)容的庫。

　　 HTML 頁面的文本和元數(shù)據(jù)

　　 newspaper – 用 Python 進行新聞提取、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)頁內(nèi)容檢索工具

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

　　 sumy - 一個自動匯總文本文件和 HTML 網(wǎng)頁的模塊

　　 Haul – 一個可擴展的圖像爬蟲。

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

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

　　 視頻

　　 youtube-dl – 一個從 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。

　　 Crossbar – 開源的應(yīng)用消息傳遞路由器（ Python 實現(xiàn)的用于 Autobahn 的 WebSocket 和 WAMP ）。

　　 AutobahnPython – 提供了 WebSocket 協(xié)議和 WAMP 協(xié)議的 Python 實現(xiàn)并且開源。

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

　　 DNS 解析

　　 dnsyo – 在全球超過 1500 個的 DNS 服務(wù)器上檢查你的 DNS 。

　　 pycares – c-ares 的接口。 c-ares 是進行 DNS 請求和異步名稱決議的 C 語言庫。

　　 計算機視覺

　　 OpenCV – 開源計算機視覺庫。

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

　　 mahotas – 快速計算機圖像處理算法（完全使用 C++ 實現(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

　　 shadowsocks – 一個快速隧道代理，可幫你穿透防火墻（支持 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），基于 Gevent ，用 Python 進行配置。

　　 其他Python 工具列表

　　 awesome-python

　　 pycrumbs

　　 python-github-projects

　　 python_reference

　　 pythonidae