项目地址:lorien/awesome-web-scraping
GitHub上awesome系列之Python的爬虫工具。
本列表包含Python网页抓取和数据处理相关的库。
网络相关
- 通用
- urllib - 网络库(标准库)
- requests - 网络库
- grab - 网络库(基于pycurl)
- pycurl - 网络库 (与libcurl绑定)
- urllib3 - 具有线程安全连接池、文件psot支持、高可用的Python HTTP库
- httplib2 - 网络库
- RoboBrowser - 一个无需独立浏览器即可访问网页的简单、pythonic的库
- MechanicalSoup - 能完成自动网站交互的Python库
- mechanize - 有状态、可编程的网页浏览库。
- socket - 底层网络接口(标准库)
- Unirest for Python - 一套支持多种语言的轻量级HTTP库
- hyper - Python HTTP/2客户端
- PySocks - SocksiPy持续更新并维护的版本,指出bug修复和一些其他功能,可以作为socket模块的替代品
网络爬虫框架
- 全能型爬虫
- 其他
HTML/XML解析
- 通用
- lxml - 高效的HTML/XML处理库。支持XPATH,用C语言写成
- cssselect - 解析DOM树和css选择器
- pyquery - 解析DOM树和jQuery选择器
- BeautifulSoup - Python写成的低效HTML/XMl处理库
- html5lib - 根据WHATWG规范生成HTML/ XML文档的DOM。WHATWG规范是现在浏览器的通行规范
- feedparser - 解析RSS/ATOM信息流
- MarkupSafe - Python的XML/HTML/XHTML安全转义字符串工具
- xmltodict - 让你处理XML如同处理JSON一样
- xhtml2pdf - HTML/CSS to PDF转化器
- untangle - 讲XML文档转化为Python项目以简化处理难度
- hodor - 支持lxml and cssselect的配置驱动包装工具
文本处理
解析及操作文本的库
- 通用
- difflib - 差异化计算工具(Python标准库)
- Levenshtein - 快速计算编辑距离及字符串相似度
- fuzzywuzzy - 模糊字符串比匹配
- esmre - 正则表达式加速器.
- ftfy - 将Unicode文本自动整理减少碎片化
- 转换
- unidecode - Unicode转化为ASCII文本
- 字符编码
- Slug化
- awesome-slugify - 可保留Unicode的Python slugify库
- python-slugify - 讲Unicode转为ASCII的Python slugify库
- unicode-slugify - unicode slugs生成工具
- pytils - 处理俄语字符串的小工具(包含pytils.translit.slugify)
- 人名
- python-nameparser - 姓名解析组件
- 电话号码
- phonenumbers - 处理、格式化、存储、验证全球电话号码
- 用户代理字符串
- python-user-agents - 浏览器用户代理解析器
- HTTP Agent Parser - Python HTTP代理解析器
- fake-useragent - 基于全球浏览器统计的Python用户代理欺骗器
- user_agent - 用户代理数据生成器
特殊格式处理
处理特编辑特殊字符格式的库
- 通用
- tablib - 处理XLS, CSV, JSON, YAML等表格数据的库
- textract - 从任何文档中提取文本,支持Word, PowerPoint, PDF等
- messytables - 杂乱的表格数据解析
- rows - 支持多种格式的通用且美观的表格数据处理器(现有CSV, HTML, XLS, TXT -- 即将支持更多)
- Office
- python-docx - 阅读,查询和修改Microsoft Word 2007/2008 docx文件
- xlwt / xlrd - 从Excel读取及写入数据和格式化信息
- XlsxWriter - 用于穿件Excel .xlsx文件的Python模块
- xlwings - 一个BSD许可的库,是Excel与Python互相调用更加简单
- openpyxl - 可读取、编辑Excel 2010xlsx/xlsm/xltx/xltm文件的库
- Marmir - 提取Python数据结构并将其转化为表格的库
- 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 - 一个无验证的SQL语句分析器
- HTTP
- http-parser - C语言实现的HTTP请求/响应消息解析器
- Microformats
- 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
自然语言处理库
- NLTK - Python自然语言处理领先者
- 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 - 为深入处理自然语言的项目提供API,参考了NLTK及其他
- jieba - 中文分词
- SnowNLP - 汉字文本处理库
- loso - 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 - 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
- langdetect - Python的谷歌语言检测库端口
浏览器自动化与仿真
- 浏览器
- Headless工具
- xvfbwrapper - 用于在X虚拟帧缓冲区(Xvfb)中运行显示的Python包装器
多进程并发
- threading - Python标准库的多线程运行。因为python GIL限制,对于I/O密集型任务很有效,对于CPU绑定的任务没用
- multiprocessing - 多进程标准库
- 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模块提供用于异步执行callable的高级接口
异步
异步网络编程库
- asyncio - 异步I/O,时间循环,协同程序和任务(Python 3.4以上版本的Python标准库)
- Twisted - 基于事件驱动的网络引擎框架
- Tornado - 一个Web框架及异步网络库
- pulsar - Python事件驱动的并发框架
- diesel - Python的基于Greenlet的I/O框架
- gevent - 一个基于协同程序的Python网络库,使用greenlet
- eventlet - 有WSGI支持的异步框架
- Tomorrow - 异步代码的魔法
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 - 在云端执行Python
- dominoup.com - 在云端执行R, Python及matlab代码
电子邮件
电子邮件处理库
URL和网络地址操作
URL和网络地址操作库
- 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”(标准库)
- tldextract - 使用公共后缀列表从URL的注册域和子域中准确分离TLD
- 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
网页内容提取库
- 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型库
- 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
- libextract - 从网站提取数据
- 视频
- youtube-dl - 一个从YouTube下载视频的小型命令行工具
- you-get - Python3写成的YouTube/Youku/Niconico视频下载工具
- Wiki
- WikiTeam - 下载并保存wkiks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
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
杂项
- user_agent - 此模块用于生成随机,有效的Web导航器的配置和用户代理HTTP header
其他
更多文章:SDK.cn