Python 爬虫的工具列表 附Github代码下载链接

这个列表包含与网页抓取和数据处理的Python库

网络

• 通用
  • urllib  -网络库(stdlib)。
  • requests  -网络库。
  • grab  – 网络库（基于pycurl）。
  • pycurl  – 网络库（绑定 libcurl ）。
  • urllib3  – Python HTTP库，安全连接池、支持文件post、可用性高。
  • httplib2  – 网络库。
  • RoboBrowser  – 一个简单的、极具Python风格的Python库，无需独立的浏览器即可浏览网页。
  • MechanicalSoup  -一个与网站自动交互Python库。
  • mechanize  -有状态、可编程的Web浏览库。
  • socket  – 底层网络接口(stdlib)。
  • Unirest for Python  – Unirest是一套可用于多种语言的轻量级的HTTP库。
  • hyper  – Python的HTTP/2客户端。
  • PySocks  – SocksiPy更新并积极维护的版本，包括错误修复和一些其他的特征。作为socket模块的直接替换。
• 异步
  • treq  – 类似于requests的API（基于twisted）。
  • aiohttp  – asyncio的HTTP客户端/服务器(PEP-3156)。

网络爬虫框架

• 功能齐全的爬虫
  • grab  – 网络爬虫框架（基于pycurl/multicur）。
  • scrapy  – 网络爬虫框架（基于twisted），不支持Python3。
  • pyspider  – 一个强大的爬虫系统。
  • cola  – 一个分布式爬虫框架。
• 其他
  • portia  – 基于Scrapy的可视化爬虫。
  • restkit  – Python的HTTP资源工具包。它可以让你轻松地访问HTTP资源，并围绕它建立的对象。
  • demiurge  – 基于PyQuery的爬虫微框架。

HTML/XML解析器

• 通用
  • 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/ATOM feeds。
  • 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。
• 清理
  • Bleach  – 清理HTML（需要html5lib）。
  • sanitize  – 为混乱的数据世界带来清明。

文本处理

用于解析和操作简单文本的库。

• 通用

• difflib  – （Python标准库）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。

• 转换

• unidecode  – 将Unicode文本转为ASCII。

• 字符编码

• 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。

• Slug化

• awesome-slugify  – 一个可以保留unicode的Python slugify库。
• python-slugify  – 一个可以将Unicode转为ASCII的Python slugify库。
• unicode-slugify  – 一个可以将生成Unicode slugs的工具。
• pytils  – 处理俄语字符串的简单工具（包括pytils.translit.slugify）。

• 通用解析器

• 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。

• 人的名字

• python-nameparser  -解析人的名字的组件。

• 电话号码

• phonenumbers  -解析，格式化，存储和验证国际电话号码。

• 用户代理字符串

• python-user-agents  – 浏览器用户代理的解析器。
• HTTP Agent Parser  – Python的HTTP代理分析器。

特定格式文件处理

解析和处理特定文本格式的库。

• 通用

• 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 – 将来还会提供更多！）。

• Office

• python-docx  – 读取，查询和修改的Microsoft Word2007/2008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Excel2010 XLSX/ 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。

• PDF

• 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。

• Markdown

• Python-Markdown  – 一个用Python实现的John Gruber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。

• YAML

• PyYAML  – 一个Python的YAML解析器。

• CSS

• cssutils  – 一个Python的CSS库。

• ATOM/RSS

• feedparser  – 通用的feed解析器。

• SQL

• sqlparse  – 一个非验证的SQL语句分析器。

• HTTP
• HTTP

• http-parser  – C语言实现的HTTP请求/响应消息解析器。

• 微格式

• opengraph  – 一个用来解析Open Graph协议标签的Python模块。

• 可移植的执行体

• 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

• psd-tools  – 将Adobe Photoshop PSD（即PE）文件读取到Python数据结构。

自然语言处理

处理人类语言问题的库。

• 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。他有自然语言处理工具，机器学习以及其它。
• 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。

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（selenium web驱动，Django客户端，Zope）。

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python GIL。
• 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。

异步

异步网络编程库

• asyncio  – （在Python 3.4 +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。

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。
• mrq  – Mr. Queue – 使用redis & Gevent 的Python分布式工作任务队列。
• 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Amazon SQS的队列。
• python-gearman  – Gearman的Python API。

云计算

• picloud  – 云端执行Python代码。
• dominoup.com  – 云端执行R，Python和matlab代码。

电子邮件

电子邮件解析库

• 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。

网址和网络地址操作

解析/修改网址和网络地址库。

• URL
  • 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（寻址方案，网络位置，路径等）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。

• 网络地址
  • netaddr  – 用于显示和操纵网络地址的Python库。

网页内容提取

提取网页内容的库。

• HTML页面的文本和元数据
  • newspaper  – 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  – arc90 readability工具的快速Python接口。
  • scrapely  – 从HTML网页中提取结构化数据的库。给出了一些Web页面和数据提取的示例，scrapely为所有类似的网页构建一个分析器。

• 视频
  • 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。

• 维基
  • WikiTeam  – 下载和保存wikis的工具。

WebSocket

用于WebSocket的库。

• Crossbar  – 开源的应用消息传递路由器（Python实现的用于Autobahn的WebSocket和WAMP）。
• AutobahnPython  – 提供了WebSocket协议和WAMP协议的Python实现并且开源。
• WebSocket-for-Python  – Python 2和3以及PyPy的WebSocket客户端和服务器库。

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。c-ares是进行DNS请求和异步名称决议的C语言库。

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（基于OpenCV）。
• mahotas  – 快速计算机图像处理算法（完全使用 C++ 实现），完全基于 numpy 的数组作为它的数据类型。

代理服务器

• shadowsocks  – 一个快速隧道代理，可帮你穿透防火墙（支持TCP和UDP，TFO，多用户和平滑重启，目的IP黑名单）。
• tproxy  – tproxy是一个简单的TCP路由代理（第7层），基于Gevent，用Python进行配置。

其他Python工具列表

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

相关阅读：

33款可用来抓数据的开源爬虫软件工具

用php做爬虫 百万级别知乎用户数据爬取与分析

技术向：基于java社会化海量数据采集爬虫框架搭建（附代码）

via：伯乐头条

End.