from:http://www.ttlsa.com/python/list-of-python-spider-tools/

這個(gè)列表包含與網(wǎng)頁(yè)抓取和數(shù)據(jù)處理的Python庫(kù)

1. 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(lèi)似于requests的API（基于twisted）。
• aiohttp?– asyncio的HTTP客戶端/服務(wù)器(PEP-3156)。

2. 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。

3. HTML/XML解析器

通用

• lxml?– C語(yǔ)言編寫(xiě)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。

4. 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。

5. 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！）。
• 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(xiě)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(xiě)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-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)。

6. 自然語(yǔ)言處理

處理人類(lèi)語(yǔ)言問(wèn)題的庫(kù)

• NLTK?-編寫(xiě)Python程序來(lái)處理人類(lèi)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(xiě)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)。

7. 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）。

8. 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。

9. 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。

10. 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。

11. 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。

12. 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。

13. 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(chēng)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)。

14. 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(lèi)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。

15. WebSocket的庫(kù)

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)。

16. 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(chēng)決議的C語(yǔ)言庫(kù)。

17. 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(lèi)型。

18. 代理服務(wù)器

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

19. 其他Python工具列表

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

總結(jié)

以上是生活随笔為你收集整理的Python 工具列表的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。