您当前的位置:首页 > 新闻 > 科技

干货-汇总156个Python网络爬虫资源大全-再也不用担心我的Python

时间:2020-03-14 14:49:07  来源:  作者:

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
  • 异步
  • treq – 基于twisted、与requests类似的API
  • aiohttp – asyncio的HTTP客户端/服务器 (PEP-3156)

 

网络爬虫框架

  • 全能型爬虫
  • grab – 网络爬虫框架(基于pycurl/multicurl)
  • scrapy – 网络爬虫框架(基于twisted)
  • pyspider – 一个强力的爬虫系统
  • 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资源库。允许影虎简单的访问HTTP资源并用来创建项目
  • demiurge – 基于PyQuery的微型爬虫框架

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 – 将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
  • 清理
  • Bleach – 清理HTML (需求html5lib)
  • sanitize – 将混乱的数据世界恢复清楚

 

 

 

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
  • uniout – 将转移字符串输出为可读形式
  • chardet – Python 2/3兼容字符编码检测器
  • xpinyin – 讲汉字转为拼音的库
  • pangu.py – CJK及字母数字文本间距格式化
  • 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)
  • 通用解析器
  • PLY – Python lex和yacc解析工具
  • pyparsing – 用于生成解析器的通用框架
  • 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
  • PDF
  • PDFMiner – 从PDF文档中提取信息的工具
  • PyPDF2 – 一个分割、合并、转换PDF文件的库
  • ReportLab – 可以快速创建大量PDF文档
  • pdftables – 从PDF文件中精准提取表格
  • 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
  • selenium – 自动化真实浏览器(Chrome, Firefox, Opera, IE)
  • Ghost.py – QtWebKit封装(需求PyQT)
  • Spynner – 具备AJAX支持的程序化网页浏览模块
  • Splinter – 通用API浏览器模拟器(selenium web驱动,Django客户端,Zope)
  • 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

  • flanker – 电子邮件及MIME处理库
  • Talon – Mailgun库用于提取消息的报价和签名

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

  • dnsyo – 在全球超过1500个的DNS服务器上检查你的DNS
  • pycares – ic-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

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

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

 

 

注释:此文有自己写的,网络查找,同事一起共同汇总的

小编寄语

最后小编帮助大家整理了一套python教程,下面展示了部分,希望也能帮助对编程感兴趣,想做数据分析,人工智能、爬虫或者希望从事编程开发的小伙伴,毕竟python工资也还可以,如果能帮到你请点赞、点赞、点赞哦~~


 


Tags:网络爬虫   点击:()  评论:()
声明:本站部分内容及图片来自互联网,转载是出于传递更多信息之目的,内容观点仅代表作者本人,如有任何标注错误或版权侵犯请与我们联系(Email:2595517585@qq.com),我们将及时更正、删除,谢谢。
▌相关推荐
在了解爬虫基础、请求库和正则匹配库以及一个具体豆瓣电影爬虫实例之后,可能大家还对超长的正则表达式记忆犹新,设想如果想要匹配的条目更加多那表达式长度将会更加恐怖,这显然...【详细内容】
2021-04-12  Tags: 网络爬虫  点击:(262)  评论:(0)  加入收藏
布隆过滤器(BloomFilter)类似于hash set,用来判断元素是否在集合中。但是与hash set区别是:布隆过滤器不需要存储元素值,就能判断元素是否在集合中。说一下布隆过滤器优缺点: 优点...【详细内容】
2020-09-29  Tags: 网络爬虫  点击:(121)  评论:(0)  加入收藏
我们先以一个最简单的实例来了解模拟登录后页面的抓取过程,其原理在于模拟登录后 Cookies 的维护。1. 本节目标私信小编01即可获取大量的Python学习资料本节将讲解以 GitHub...【详细内容】
2020-09-27  Tags: 网络爬虫  点击:(84)  评论:(0)  加入收藏
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...【详细内容】
2020-03-14  Tags: 网络爬虫  点击:(94)  评论:(0)  加入收藏
网络爬虫基本思路基本思路:由关键字指定的url把所有相关的html页面全抓下来(html即为字符串),然后解析html文本(通常是正则表达式或者现成工具包如jsoup),提取文本信息,然后把文本信...【详细内容】
2020-03-12  Tags: 网络爬虫  点击:(80)  评论:(0)  加入收藏
写爬虫,是一个非常考验综合实力的活儿。有时候,你轻而易举地就抓取到了想要的数据;有时候,你费尽心思却毫无所获。好多Python爬虫的入门教程都是一行代码就把你骗上了“贼船”,等...【详细内容】
2020-03-12  Tags: 网络爬虫  点击:(110)  评论:(0)  加入收藏
以前在学校做科研都是直接利用网上共享的一些数据,就像我们经常说的dataset、beachmark等等。但是,对于实际的工业需求来说,爬取网络的数据是必须的并且是首要的。最近在国内一...【详细内容】
2019-11-26  Tags: 网络爬虫  点击:(71)  评论:(0)  加入收藏
很多程序员都很清楚一个专属名词,那就是——爬虫,而大多数网友对于这个词语还比较陌生,属于新鲜的词汇,但是随着互联网的发展,这种网络爬虫其实和我们日常生活息息相关...【详细内容】
2019-10-28  Tags: 网络爬虫  点击:(161)  评论:(0)  加入收藏
爬虫的编程语言有不少,但 Python 绝对是其中的主流之一。下面就为大家介绍下 Python 在编写网络爬虫常常用到的一些库。请求库:实现 HTTP 请求操作 urllib:一系列用于操作URL...【详细内容】
2019-09-26  Tags: 网络爬虫  点击:(118)  评论:(0)  加入收藏
Beautiful Soup库安装pip install beautifulsoup4测试:import requestsr = requests.get("http://python123.io/ws/demo.html")demo = r.textform bs4 import BeautifulSoup...【详细内容】
2019-09-23  Tags: 网络爬虫  点击:(140)  评论:(0)  加入收藏
▌简易百科推荐
非法购买公民信息、开发人脸认证规避技术……今年年初,广东省公安厅网安部门侦破全国首例破解“青少年防沉迷系统”的新型网络犯罪案件,抓获犯罪嫌疑人13名,查处非...【详细内容】
2021-12-28    人民日报客户端  Tags:数据安全步   点击:(5)  评论:(0)  加入收藏
就在今天,腾讯方面宣布将在2022年1月31日下架企业QQ和营销QQ,其实这一消息的降临并不让笔者意外,因为早在今年的10月28日20点之后,企业QQ和营销QQ就被停止了续费服务。相信很多...【详细内容】
2021-12-27  科技探险家    Tags:企业QQ   点击:(21)  评论:(0)  加入收藏
日前,上海交通大学发布《全球电竞之都评价报告》,对全球15个致力于发展电竞之都的城市进行评价,上海作为中国城市电竞发展的排头兵,其拥有众多优质电竞企业及完整产业集群,因此排...【详细内容】
2021-12-27  经济日报    Tags:电竞   点击:(3)  评论:(0)  加入收藏
为优化网络氛围环境,微博又开始整顿用户信息了。本月月初,微博官方发布公告,要求昵称中带有如“二货”“SB”“瘪三”“娘炮”等明显低俗或侮辱性词汇的用户尽快修改,否则将面临...【详细内容】
2021-12-24  运了个营    Tags:微博   点击:(10)  评论:(0)  加入收藏
昨日谷歌宣布,自2022年12月19日开始停止对OnHub的软件支持,OnHub路由器仍将提供Wi-Fi信号,但用户无法用谷歌Home应用程序管理它。无法更新Wi-Fi网络设置、添加额外的Wifi设备或...【详细内容】
2021-12-22  雷峰网    Tags:Google OnHub   点击:(5)  评论:(0)  加入收藏
IT之家 12 月 20 日消息,百度网盘青春版 iOS 客户端今日晚间率先开启内测,安卓客户端将在稍后内测。使用苹果 iPhone 的IT之家小伙伴可以点此下载内测版,需要先下载 TestFlight...【详细内容】
2021-12-21  IT之家    Tags:百度网盘   点击:(10)  评论:(0)  加入收藏
对于拼车单,是接还是不接,不少网约车司机表示很矛盾。接吧,钱少事多,常常跑了个寂寞,不接吧,车多客少,挑三拣四没饭吃。 在平台大力推广拼车单之下,不少司机迫于生活压力,最终还是打...【详细内容】
2021-12-17  网约车情报分享    Tags:滴滴   点击:(9)  评论:(0)  加入收藏
蓝鲸TMT频道12月16日讯,据饿了么官方微信公众号,近日,在圆桌会上,蓝骑士与平台交流了配送安全问题。饿了么表示,线上将技术手段融入安全防护;线下将持续进行安全培训,并试点智能头...【详细内容】
2021-12-17    金融界  Tags:饿了么   点击:(24)  评论:(0)  加入收藏
开源最前线(ID:OpenSourceTop) 猿妹编译项目地址: https://github.com/restic/restic全球知名代码托管平台 GitHub 今天就重磅发布了今年的年度报告——《2021 年度 O...【详细内容】
2021-12-17  Python部落    Tags:   点击:(9)  评论:(0)  加入收藏
新京报快讯 据中国网络视听节目服务协会网站消息,12月15日,中国网络视听节目服务协会发布了《网络短视频内容审核标准细则》(2021)。中国网络视听节目服务协会组织有关短视频平...【详细内容】
2021-12-16    新京报  Tags:短视频   点击:(11)  评论:(0)  加入收藏
最新更新
栏目热门
栏目头条