本文轉載自伯樂在線:http://python.jobbole.com/82633/
這個列表包含與網頁抓取和數據處理的Python庫
網絡
-
通用
-
urllib -網絡庫(stdlib)。
-
requests -網絡庫。
-
grab - 網絡庫(基於pycurl)。
-
urllib3 - Python HTTP庫,安全連接池、支持文件post、可用性高。
-
httplib2 - 網絡庫。
-
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頁。
-
MechanicalSoup -一個與網站自動交互Python庫。
-
mechanize -有狀態、可編程的Web瀏覽庫。
-
socket - 底層網絡接口(stdlib)。
-
Unirest for Python - Unirest是一套可用於多種語言的輕量級的HTTP庫。
-
hyper - Python的HTTP/2客戶端。
-
PySocks - SocksiPy更新並積極維護的版本,包括錯誤修復和一些其他的特徵。作爲socket模塊的直接替換。
-
-
異步
網絡爬蟲框架
-
功能齊全的爬蟲
-
其他
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。
-
html5lib - 根據WHATWG規範生成HTML/ XML文檔的DOM。該規範被用在現在所有的瀏覽器上。
-
feedparser - 解析RSS/ATOM feeds。
-
MarkupSafe - 爲XML/HTML/XHTML提供了安全轉義的字符串。
-
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轉換爲PDF。
-
untangle - 輕鬆實現將XML文件轉換爲Python對象。
-
-
清理
文本處理
用於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。
-
-
轉換
-
unidecode - 將Unicode文本轉爲ASCII。
-
-
字符編碼
-
Slug化
-
awesome-slugify - 一個可以保留unicode的Python slugify庫。
-
python-slugify - 一個可以將Unicode轉爲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
-
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 - 一個把數據導出爲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 - 解析混亂的表格數據的工具。
-
rows - 一個常用數據接口,支持的格式很多(目前支持CSV,HTML,XLS,TXT – 將來還會提供更多!)。
-
-
Office
-
python-docx - 讀取,查詢和修改的Microsoft Word2007/2008的docx文件。
-
XlsxWriter - 一個創建Excel.xlsx文件的Python模塊。
-
xlwings - 一個BSD許可的庫,可以很容易地在Excel中調用Python,反之亦然。
-
openpyxl - 一個用於讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的庫。
-
Marmir - 提取Python數據結構並將其轉換爲電子表格。
-
-
PDF
-
Markdown
-
Python-Markdown - 一個用Python實現的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語言實現的HTTP請求/響應消息解析器。
-
-
微格式
-
opengraph - 一個用來解析Open Graph協議標籤的Python模塊。
-
-
可移植的執行體
-
pefile - 一個多平臺的用於解析和處理可移植執行體(即PE)文件的模塊。
-
-
PSD
-
psd-tools - 將Adobe Photoshop PSD(即PE)文件讀取到Python數據結構。
-
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據的最好平臺。
-
Pattern - Python的網絡挖掘模塊。他有自然語言處理工具,機器學習以及其它。
-
TextBlob - 爲深入自然語言處理任務提供了一致的API。是基於NLTK以及Pattern的巨人之肩上發展的。
-
jieba - 中文分詞工具。
-
SnowNLP - 中文文本處理庫。
-
loso - 另一箇中文分詞庫。
-
genius - 基於條件隨機域的中文分詞。
-
langid.py - 獨立的語言識別系統。
-
Korean - 一個韓文形態庫。
-
pymorphy2 - 俄語形態分析器(詞性標註+詞形變化引擎)。
-
PyPLN – 用Python編寫的分佈式自然語言處理通道。這個項目的目標是創建一種簡單的方法使用NLTK通過網絡接口處理大語言庫。
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驅動,Django客戶端,Zope)。
多重處理
-
threading - Python標準庫的線程運行。對於I/O密集型任務很有效。對於CPU綁定的任務沒用,因爲python GIL。
-
multiprocessing - 標準的Python庫運行多進程。
-
celery - 基於分佈式消息傳遞的異步任務隊列/作業隊列。
-
concurrent-futures - concurrent-futures 模塊爲調用異步執行提供了一個高層次的接口。
異步
異步網絡編程庫
-
asyncio - (在Python 3.4 +版本以上的 Python標準庫)異步I/O,時間循環,協同程序和任務。
-
Twisted - 基於事件驅動的網絡引擎框架。
-
Tornado - 一個網絡框架和異步網絡庫。
-
pulsar - Python事件驅動的併發框架。
-
diesel - Python的基於綠色事件的I/O框架。
-
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 - 基於分佈式消息傳遞的異步任務隊列/作業隊列。
-
huey - 小型多線程任務隊列。
-
mrq - Mr. Queue – 使用redis & Gevent 的Python分佈式工作任務隊列。
-
RQ - 基於Redis的輕量級任務隊列管理器。
-
simpleq - 一個簡單的,可無限擴展,基於Amazon SQS的隊列。
-
python-gearman - Gearman的Python API。
雲計算
-
picloud - 雲端執行Python代碼。
-
dominoup.com - 雲端執行R,Python和matlab代碼。
電子郵件
電子郵件解析庫
網址和網絡地址操作
解析/修改網址和網絡地址庫。
-
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以及一個乾淨的用於調試和操作的API。
-
urllib.parse - 用於打破統一資源定位器(URL)的字符串在組件(尋址方案,網絡位置,路徑等)之間的隔斷,爲了結合組件到一個URL字符串,並將“相對URL”轉化爲一個絕對URL,稱之爲“基本URL”。
-
tldextract - 從URL的註冊域和子域中準確分離TLD,使用公共後綴列表。
-
-
網絡地址
-
netaddr – 用於顯示和操縱網絡地址的Python庫。
-
網頁內容提取
提取網頁內容的庫。
-
HTML頁面的文本和元數據
-
newspaper – 用Python進行新聞提取、文章提取和內容策展。
-
html2text – 將HTML轉爲Markdown格式文本。
-
python-goose – HTML內容/文章提取器。
-
lassie - 人性化的網頁內容檢索工具
-
micawber - 一個從網址中提取豐富內容的小庫。
-
sumy -一個自動彙總文本文件和HTML網頁的模塊
-
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網頁中提取結構化數據的庫。給出了一些Web頁面和數據提取的示例,scrapely爲所有類似的網頁構建一個分析器。
-
-
視頻
-
youtube-dl - 一個從YouTube下載視頻的小命令行程序。
-
you-get - Python3的YouTube、優酷/ Niconico視頻下載器。
-
-
維基
-
WikiTeam - 下載和保存wikis的工具。
-
WebSocket
用於WebSocket的庫。
-
Crossbar - 開源的應用消息傳遞路由器(Python實現的用於Autobahn的WebSocket和WAMP)。
-
AutobahnPython - 提供了WebSocket協議和WAMP協議的Python實現並且開源。
-
WebSocket-for-Python - Python 2和3以及PyPy的WebSocket客戶端和服務器庫。
DNS解析
計算機視覺
-
OpenCV - 開源計算機視覺庫。
-
SimpleCV – 用於照相機、圖像處理、特徵提取、格式轉換的簡介,可讀性強的接口(基於OpenCV)。
-
mahotas – 快速計算機圖像處理算法(完全使用 C++ 實現),完全基於 numpy 的數組作爲它的數據類型。
代理服務器
-
shadowsocks – 一個快速隧道代理,可幫你穿透防火牆(支持TCP和UDP,TFO,多用戶和平滑重啓,目的IP黑名單)。
-
tproxy - tproxy是一個簡單的TCP路由代理(第7層),基於Gevent,用Python進行配置。