今天扣丁學堂小編爲你詳細的總結了一下關於Python視頻教程之Python爬蟲的工具列表都有哪些呢,而這個列表包含與網頁抓取和數據處理的Python庫,下面我們一起來看一下吧。
網絡
urllib-網絡庫(stdlib)。
requests-網絡庫。
grab–網絡庫(基於pycurl)。
pycurl–網絡庫(綁定libcurl)。
urllib3–PythonHTTP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)。
UnirestforPython–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
treq–類似於requests的API(基於twisted)。
aiohttp–asyncio的HTTP客戶端/服務器(PEP-3156)。
網絡爬蟲框架
功能齊全的爬蟲
grab–網絡爬蟲框架(基於pycurl/multicur)。
scrapy–網絡爬蟲框架(基於twisted),不支持Python3。
pyspider–一個強大的爬蟲系統。
cola–一個分佈式爬蟲框架。
其他
portia–基於Scrapy的可視化爬蟲。
restkit–Python的HTTP資源工具包。它可以讓你輕鬆地訪問HTTP資源,並圍繞它建立的對象。
demiurge–基於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。
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/ATOMfeeds。
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
Bleach–清理HTML(需要html5lib)。
sanitize–爲混亂的數據世界帶來清明。
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
uniout–打印可讀字符,而不是被轉義的字符串。
chardet–兼容Python的2/3的字符編碼器。
xpinyin–一個將中國漢字轉爲拼音的庫。
pangu.py–格式化文本中CJK和字母數字的間距。
Slug化
awesome-slugify–一個可以保留unicode的Pythonslugify庫。
python-slugify–一個可以將Unicode轉爲ASCII的Pythonslugify庫。
unicode-slugify–一個可以將生成Unicodeslugs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。
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。
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。
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MicrosoftWord2007/2008的docx文件。
xlwt/xlrd–從Excel文件讀取寫入數據和格式信息。
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Excel2010XLSX/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。
PDFMiner–一個從PDF文檔中提取信息的工具。
PyPDF2–一個能夠分割、合併和轉換PDF頁面的庫。
ReportLab–允許快速創建豐富的PDF文檔。
pdftables–直接從PDF文件中提取表格。
Markdown
Python-Markdown–一個用Python實現的JohnGruber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-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OpenGraph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AdobePhotoshopPSD(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(seleniumweb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pythonGIL。
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Python3.4+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。
gevent–一個使用greenlet的基於協程的Python網絡庫。
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AmazonSQS的隊列。
python-gearman–Gearman的PythonAPI。
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
flanker–電子郵件地址和Mime解析庫。
Talon–Mailgun庫用於提取消息的報價和簽名。
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–arc90readability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–Python2和3以及PyPy的WebSocket客戶端和服務器庫。
DNS解析
dnsyo–在全球超過1500個的DNS服務器上檢查你的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
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。
其他Python工具列表
awesome-python
pycrumbs
python-github-projects
python_reference
pythonidae
以上就是關於扣丁學堂Python爬蟲的工具列表詳細介紹,最後想要了解更多資訊或學習Python開發請關注扣丁學堂官網和微信公衆號。扣丁學堂作爲知名的IT培訓機構,不僅有專業的Python培訓講師和與時俱進的課程體系,還有大量的Python全棧開發工程師視頻教程供學員觀看學習,想要學好Python開發技術的小夥伴就抓緊時間行動吧。扣丁學堂Python技術交流羣:279521237。