位置: 编程技术 - 正文

Python 爬虫的工具列表大全(python的爬虫技术)

编辑:rootadmin
网络

推荐整理分享Python 爬虫的工具列表大全(python的爬虫技术),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:Python爬虫的工作流程,python爬虫用到的技术,Python爬虫的工作流程,Python爬虫的工作流程,python 爬虫工具,python爬虫工作内容,python 爬虫工具,python 爬虫工具,内容如对您有帮助,希望把文章链接给更多的朋友!

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-)。

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 Word/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Excel 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。

Python 爬虫的工具列表大全(python的爬虫技术)

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 ? arc 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

Python找出9个连续的空闲端口 一、项目需求安装某软件,配置时候需要填写空闲的端口。查看5个平台的某个端口是否被占用5个平台为windows,linux,aix,hp,solaris二、实现方案有两种1、利

简介Python设计模式中的代理模式与模板方法模式编程 代理模式Proxy模式是一种常用的设计模式,它主要用来通过一个对象(比如B)给一个对象(比如A)提供'代理'的方式方式访问。比如一个对象不方便直接引用

举例讲解Python中的Null模式与桥接模式编程 Null模式我想每个人都有一种经历,为了获取某属性,但是有时候属性是None,那么需要你做异常处理,而假如你想节省这样的条件过滤的代码,可以使用

标签: python的爬虫技术

本文链接地址:https://www.jiuchutong.com/biancheng/382316.html 转载请保留说明!

上一篇:python在不同层级目录import模块的方法(python同一层次的语言必须对齐吗)

下一篇:Python找出9个连续的空闲端口(python找出n个数里最小的k个)

  • 计提增值税如何处理
  • 红冲以前年度收入成本的账务处理
  • 报销差旅费的进项税怎么申报
  • 金税盘服务费怎么抵扣税
  • 个体工商户必须缴纳社保吗
  • 政府机关车辆拍卖
  • 固定资产更换零部件的入账价值
  • 个人股东之间股权转让的溢价账务处理
  • 账户未认证
  • 纳税申报成功
  • 购买的固定资产可以一次计入管理费用吗
  • 增值税留抵税额抵减欠税
  • 公司员工体检计入什么科目
  • 普票和专票的税率分别是多少
  • 当期所得税费用与递延所得税费用
  • 公司培训餐费计入什么费用
  • 跨期间收入如何确定当期收入
  • 什么叫抵免
  • 应收票据贴现的会计分录
  • 房地产企业售房印花税
  • linux查看系统信息工具
  • win7 excel
  • 宏基笔记本一键恢复系统
  • 香椿的功效与作用百度百科
  • linux不允许root登录
  • php字符串变量
  • 母公司向子公司注入资产
  • 其他应收款贷方表示什么
  • 公司股票 收税
  • 被税怎么办
  • 影响当期损益的税费
  • 企业解除人员什么意思
  • 财务费用为什么是负数表示
  • vue带参数跳转到详情页面
  • eclipse php wamp配置教程
  • adan算法
  • 领用发票后
  • 飞机票抵扣进项税含民航发展基金吗
  • 土地作为无形资产摊销年限
  • 物流破损拒收的理由
  • 红字发票与作废发票验旧
  • 小规模纳税人税金账务处理
  • 小企业会计准则2023电子版
  • 工资薪金可以抵扣增值税吗
  • 政府对企业提交的项目申请报告主要从等方面进行核准
  • 附加税减半征收政策是哪个文件
  • 跨年度少计摊销怎么做账
  • 股权激励具体解释是什么
  • 企业注销清算报告模板
  • 工会经费网上怎么申报
  • 工会经费在哪儿申报
  • 转账错误退款说明
  • 股权转让的会计处理怎么做
  • 企业主营业务收入分录
  • 小规模购入固定资产怎么做账
  • 增值税其他收益包括哪些
  • 月底现金余额
  • sql语句学习
  • sql server中通过查询分析器实现数据库的备份与恢复方法分享
  • solaris 安装
  • rsync -i
  • 虚拟机安装redhat没有图形界面
  • 一、Unity3D 5.0.1-示例项目“汽车游戏”的展示及开发准备
  • node session
  • ntfs权限怎么设置
  • Unity3D游戏开发(第2版)
  • eclipse开发安卓app实例
  • 浏览器url怎么看
  • unity3d怎么做动画
  • jquery属性选择器的基本
  • [置顶]津鱼.我爱你
  • jquery循环生成li
  • js写一个类
  • 平谷大集时间表2022
  • 电子税务局获取验证码异常
  • ppr管材税收编码
  • 上海2023年个人所得税计算
  • 德勤 税务
  • 资源税属于国税还是地税
  • 广东省电子税务局登录方式
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设