常用Python爬虫库汇总.docx

常用Python爬虫库汇总.docx

《常用Python爬虫库汇总.docx》由会员分享，可在线阅读，更多相关《常用Python爬虫库汇总.docx（8页珍藏版）》请在冰点文库上搜索。

老男孩IT教育，只培养技术精英

常用Python爬虫库汇总

Python爬虫，全称Python网络爬虫，是一种按照一定的规则，自动地抓取万维网信息的程序或脚本，主要用于抓取证券交易数据、天气数据、网站用户数据和图片数据等，Python为支持网络爬虫正常功能实现，内置了大量的库，主要有以下类型：

一、Python爬虫网络库

Python爬虫网络库主要包括：

urllib、requests、grab、pycurl、urllib3、httplib2、RoboBrowser、MechanicalSoup、mechanize、socket、UnirestforPython、hyper、PySocks、treq以及aiohttp等。

二、Python网络爬虫框架

Python网络爬虫框架主要包括：

grab、scrapy、pyspider、cola、portia、restkit以及demiurge等。

三、HTML/XML解析器

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/ATOMfeeds；

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模块；

xhtml2pdf：

将HTML/CSS转换为PDF；

untangle：

轻松实现将XML文件转换为Python对象；

Bleach：

清理HTML（需要html5lib）；

四、文本处理

difflib：

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；

unidecode：

将Unicode文本转为ASCII；

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。

awesome-slugify：

一个可以保留unicode的Pythonslugify库；

python-slugify：

一个可以将Unicode转为ASCII的Pythonslugify库；

unicode-slugify：

一个可以将生成Unicodeslugs的工具；

pytils：

处理俄语字符串的简单工具（包括pytils.translit.slugify）；

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；

python-nameparser：

解析人的名字的组件；

phonenumbers：

解析，格式化，存储和验证国际电话号码；

python-user-agents：

浏览器用户代理的解析器；

HTTPAgentParser：

Python的HTTP代理分析器。

五、特定格式文件处理

tablib：

一个把数据导出为XLS、CSV、JSON、YAML等格式的模块；

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；

python-docx：

读取，查询和修改的MicrosoftWord2007/2008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模块；

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Excel2010XLSX/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；

Python-Markdown：

一个用Python实现的JohnGruber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；

PyYAML：

一个Python的YAML解析器；

cssutils：

一个Python的CSS库；

feedparser：

通用的feed解析器；

sqlparse：

一个非验证的SQL语句分析器；

http-parser：

C语言实现的HTTP请求/响应消息解析器；

opengraph：

一个用来解析OpenGraph协议标签的Python模块；

pefile：

一个多平台的用于解析和处理可移植执行体（即PE）文件的模块；

psd-tools：

将AdobePhotoshopPSD（即PE）文件读取到Python数据结构。

六、自然语言处理

NLTK：

编写Python程序来处理人类语言数据的最好平台；

Pattern：

Python的网络挖掘模块；

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。

七、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（seleniumweb驱动，Django客户端，Zope）。

八、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pythonGIL；

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模块为调用异步执行提供了一个高层次的接口。

九、异步网络编程库

asyncio：

（在Python3.4+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。

十、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；

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AmazonSQS的队列；

python-gearman：

Gearman的PythonAPI。

十一、云计算

picloud：

云端执行Python代码；

：

云端执行R，Python和matlab代码。

十二、电子邮件

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。

十三、网址和网络地址操作

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；

etaddr：

用于显示和操纵网络地址的Python库。

十四、网页内容提取

ewspaper：

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网页的模块；

Haul：

一个可扩展的图像爬虫；

python-readability：

arc90readability工具的快速Python接口；

scrapely：

从HTML网页中提取结构化数据的库；

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；

WikiTeam：

下载和保存wikis的工具。

十五、WebSocket

Crossbar：

开源的应用消息传递路由器；

AutobahnPython：

提供了WebSocket协议和WAMP协议的Python实现并且开源；

WebSocket-for-Python：

Python2和3以及PyPy的WebSocket客户端和服务器库。

十六、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。

十七、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；

mahotas：

快速计算机图像处理算法，完全基于numpy的数组作为它的数据类型。

十八、代理服务器

shadowsocks：

一个快速隧道代理，可帮你穿透防火墙；

tproxy：

tproxy是一个简单的TCP路由代理，基于Gevent，用Python进行配置。