扣丁學(xué)堂淺談Python基礎(chǔ)教程之Python爬蟲(chóng)工具列表詳解
2017-12-19 10:05:27
1349瀏覽
今天扣丁學(xué)堂小編為你詳細(xì)的總結(jié)了一下關(guān)于
Python視頻教程之Python爬蟲(chóng)的工具列表都有哪些呢，而這個(gè)列表包含與網(wǎng)頁(yè)抓取和數(shù)據(jù)處理的Python庫(kù)，下面我們一起來(lái)看一下吧。
網(wǎng)絡(luò)
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–PythonHTTP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)。
UnirestforPython–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/ATOMfeeds。
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Pythonslugify庫(kù)。
python-slugify–一個(gè)可以將Unicode轉(zhuǎn)為ASCII的Pythonslugify庫(kù)。
unicode-slugify–一個(gè)可以將生成Unicodeslugs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。
HTTPAgentParser–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!)。
Office
python-docx–讀取，查詢和修改的MicrosoftWord2007/2008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Excel2010XLSX/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JohnGruber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OpenGraph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AdobePhotoshopPSD(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(seleniumweb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ythonGIL。
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Python3.4+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AmazonSQS的隊(duì)列。
python-gearman–Gearman的PythonAPI。
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–arc90readability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–Python2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。
其他Python工具列表
awesome-python
pycrumbs
python-github-projects
python_reference
pythonidae
以上就是關(guān)于扣丁學(xué)堂Python爬蟲(chóng)的工具列表詳細(xì)介紹，最后想要了解更多資訊或?qū)W習(xí)Python開(kāi)發(fā)請(qǐng)關(guān)注扣丁學(xué)堂官網(wǎng)和微信公眾號(hào)?？鄱W(xué)堂作為知名的IT培訓(xùn)機(jī)構(gòu)，不僅有專業(yè)的
Python培訓(xùn)講師和與時(shí)俱進(jìn)的課程體系，還有大量的
Python全棧開(kāi)發(fā)工程師視頻教程供學(xué)員觀看學(xué)習(xí)，想要學(xué)好Python開(kāi)發(fā)技術(shù)的小伙伴就抓緊時(shí)間行動(dòng)吧?？鄱W(xué)堂Python技術(shù)交流群：279521237。
【關(guān)注微信公眾號(hào)獲取更多學(xué)習(xí)資料】
查看更多關(guān)于“Python開(kāi)發(fā)資訊”的相關(guān)文章>>
標(biāo)簽:
Python基礎(chǔ)教程
Python入門教程
Python視頻教程
Python培訓(xùn)
Python爬蟲(chóng)工具
返回頂部