python用于爬虫的第三方库,Python网络爬虫库

  python用于爬虫的第三方库,Python网络爬虫库

  爬虫的第三方库:1。urllib3,Python HTTP库,安全连接池,支持文件post,可用性高;2.MechanicalSoup,一个自动与网站交互的Python库;3.基于pycurl/multicur的网络爬虫框架grab4.portia,基于Scrapy的可视化爬虫库;5.Tornado,一个网络框架和异步网络库;6.scrapy,一个网络爬虫框架。

  本教程运行环境:windows7系统,Python3,Dell G3电脑。

  该列表包含与web爬行和数据处理相关的Python库。

  00-1010通用URL lib-网络库(stdlib)。请求-Web库。grab-Web库(基于pycurl)。pycurlWeb库(绑定到libcurl)。URL lib 3Python HTTP库,安全连接池,支持文件post,高可用性。http lib 2网络库。RobBrowser——一个具有Python风格的简单Python库,可以在没有单独浏览器的情况下浏览网页。mechanical soup-一个自动与网站交互的Python库。一个有状态和可编程的网页浏览库。socket底层网络接口(stdlib)。Unirest for Python——Unirest是一组轻量级HTTP库,可以在多种语言中使用。Hyper-Python的HTTP/2客户端。py socks——socks的更新和积极维护版本,包括错误修复和一些其他功能。作为插座模块的直接替代品。异步treq——类似于请求的API(基于twisted)。ai HTTPasyncio的http客户端/服务器(PEP-3156)。00-1010全功能爬虫抓取——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的视觉爬虫。工具包——Python的HTTP资源工具包。它允许您轻松地访问HTTP资源并围绕它构建对象。de mirge——一个基于PyQuery的爬虫微框架。00-1010通用LXMLC语言编写高效的HTML/XML处理库。支持XPath。选择CSS-解析DOM树和CSS选择器。pyquery——解析DOM树和jQuery选择器。美汤——低效的HTML/XML处理库,纯Python实现。HTML lib根据WHATWG规范生成HTML/XML文档的DOM。现在所有的浏览器都使用这个规范。提要解析器解析RSS/ATOM提要。标记安全为XML/HTML/XHTML提供安全转义的字符串。xmlto dict——一个Python模块,在处理XML的时候可以让你觉得是在处理JSON。XML 2 pdf将HTML/CSS转换为PDF。解开——轻松地将XML文件转换成Python对象。清洁漂白剂清洁HTML(需要html5lib)。sanitize——让混乱的数据世界变得清晰。00-1010用于解析和操作简单文本的库。

  被普遍使用

  difflib-(Python标准库)有助于进行差异化比较。

  Levenshtein快速计算Levenshtein距离和Levenshtein。

  模糊模糊-模糊字符串匹配。

  ESM正则表达式加速器。

  FTFY-自动整理Unicode文本以减少碎片。

  变化

  unidecode将Unicode文本转换为ASCII。

  字符编码

  Uni打印可读字符,而不是

  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
    【相关推荐:Python3视频教程 】以上就是python网络爬虫方向的第三方库有哪些的详细内容,更多请关注盛行IT软件开发工作室其它相关文章!

      

    郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

    留言与评论(共有 条评论)
       
    验证码: