from:http://www.ttlsa.com/python/list-of-python-spider-tools/

這個列表包含與網頁抓取和數據處理的Python庫

1. 網絡

通用

• urllib?-網絡庫(stdlib)。
• requests?-網絡庫。
• grab?– 網絡庫（基于pycurl）。
• pycurl?– 網絡庫（綁定libcurl）。
• urllib3?– Python HTTP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)。
• Unirest for Python?– Unirest是一套可用于多種語言的輕量級的HTTP庫。
• hyper?– Python的HTTP/2客戶端。
• PySocks?– SocksiPy更新并積極維護的版本，包括錯誤修復和一些其他的特征。作為socket模塊的直接替換。

異步

• treq?– 類似于requests的API（基于twisted）。
• aiohttp?– asyncio的HTTP客戶端/服務器(PEP-3156)。

2. 網絡爬蟲框架

功能齊全的爬蟲

• grab?– 網絡爬蟲框架（基于pycurl/multicur）。
• scrapy?– 網絡爬蟲框架（基于twisted），不支持Python3。
• pyspider?– 一個強大的爬蟲系統。
• cola?– 一個分布式爬蟲框架。

其他

• portia?– 基于Scrapy的可視化爬蟲。
• restkit?– Python的HTTP資源工具包。它可以讓你輕松地訪問HTTP資源，并圍繞它建立的對象。
• demiurge?– 基于PyQuery的爬蟲微框架。

3. 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規范生成HTML/ XML文檔的DOM。該規范被用在現在所有的瀏覽器上。
• feedparser?– 解析RSS/ATOM feeds。
• MarkupSafe?– 為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轉換為PDF。
• untangle?– 輕松實現將XML文件轉換為Python對象。

清理

• Bleach?– 清理HTML（需要html5lib）。
• sanitize?– 為混亂的數據世界帶來清明。

4. 文本處理

用于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文本轉為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?– 一個將中國漢字轉為拼音的庫。
• 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Python slugify庫。
• python-slugify?– 一個可以將Unicode轉為ASCII的Python slugify庫。
• unicode-slugify?– 一個可以將生成Unicode slugs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。
• HTTP Agent Parser?– Python的HTTP代理分析器。

5. 特定格式文件處理

解析和處理特定文本格式的庫

• 通用
• tablib?– 一個把數據導出為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Microsoft Word2007/2008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?– 一個用于讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的庫。
• Marmir?– 提取Python數據結構并將其轉換為電子表格。
• PDF
• PDFMiner?– 一個從PDF文檔中提取信息的工具。
• PyPDF2?– 一個能夠分割、合并和轉換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John Gruber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Open Graph協議標簽的Python模塊。
• 可移植的執行體
• pefile?– 一個多平臺的用于解析和處理可移植執行體（即PE）文件的模塊。
• PSD
• psd-tools?– 將Adobe Photoshop PSD（即PE）文件讀取到Python數據結構。

6. 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?– 為深入自然語言處理任務提供了一致的API。是基于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?– 另一個中文分詞庫。
• genius?– 基于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（詞性標注+詞形變化引擎）。
• PyPLN?– 用Python編寫的分布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。

7. 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（selenium web驅動，Django客戶端，Zope）。

8. 多重處理

• threading?– Python標準庫的線程運行。對于I/O密集型任務很有效。對于CPU綁定的任務沒用，因為python GIL。
• multiprocessing?– 標準的Python庫運行多進程。
• celery?– 基于分布式消息傳遞的異步任務隊列/作業隊列。
• concurrent-futures?– concurrent-futures 模塊為調用異步執行提供了一個高層次的接口。

9. 異步

異步網絡編程庫

• asyncio?– （在Python 3.4 +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?– 基于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事件驅動的并發框架。
• diesel?– Python的基于綠色事件的I/O框架。
• gevent?– 一個使用greenlet 的基于協程的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。

10. 隊列

• celery?– 基于分布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分布式工作任務隊列。
• RQ?– 基于Redis的輕量級任務隊列管理器。
• simpleq?– 一個簡單的，可無限擴展，基于Amazon SQS的隊列。
• python-gearman?– Gearman的Python API。

11. 云計算

• picloud?– 云端執行Python代碼。
• dominoup.com?– 云端執行R，Python和matlab代碼。

12. 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庫用于提取消息的報價和簽名。

13. 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以及一個干凈的用于調試和操作的API。
• urllib.parse?– 用于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，為了結合組件到一個URL字符串，并將“相對URL”轉化為一個絕對URL，稱之為“基本URL”。
• tldextract?– 從URL的注冊域和子域中準確分離TLD，使用公共后綴列表。
• 網絡地址
• netaddr?– 用于顯示和操縱網絡地址的Python庫。

14. 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轉為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?-一個自動匯總文本文件和HTML網頁的模塊
• Haul?– 一個可擴展的圖像爬蟲。
• python-readability?– arc90 readability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為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。

15. WebSocket的庫

用于WebSocket的庫

• Crossbar?– 開源的應用消息傳遞路由器（Python實現的用于Autobahn的WebSocket和WAMP）。
• AutobahnPython?– 提供了WebSocket協議和WAMP協議的Python實現并且開源。
• WebSocket-for-Python?– Python 2和3以及PyPy的WebSocket客戶端和服務器庫。

16. 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。

17. 計算機視覺

• OpenCV?– 開源計算機視覺庫。
• SimpleCV?– 用于照相機、圖像處理、特征提取、格式轉換的簡介，可讀性強的接口（基于OpenCV）。
• mahotas?– 快速計算機圖像處理算法（完全使用 C++ 實現），完全基于 numpy 的數組作為它的數據類型。

18. 代理服務器

• shadowsocks?– 一個快速隧道代理，可幫你穿透防火墻（支持TCP和UDP，TFO，多用戶和平滑重啟，目的IP黑名單）。
• tproxy?– tproxy是一個簡單的TCP路由代理（第7層），基于Gevent，用Python進行配置。

19. 其他Python工具列表

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

總結

以上是生活随笔為你收集整理的Python 工具列表的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。