常用Python爬虫库汇总

教育，只培养技术精英常用Python爬虫库汇总Python爬虫，全称Python网络爬虫，是一种按照一定的规则，自动地抓取万维网信息的程序或脚本，主要用于抓取证券交易数据、天气数据、网站用户数据和图片数据等，Python为支持网络爬虫正常功能实现，内置了大量的库，主要有以下类型：一、Python爬虫网络库Python爬虫网络库主要包括：urllib、requests、grab、pycurl、urllib3、httplib2、RoboBrowser、MechanicalSoup、mechanize、socket、UnirestforPython、hyper、PySocks、treq以及aiohttp等。二、Python网络爬虫框架Python网络爬虫框架主要包括：grab、scrapy、pyspider、cola、portia、restkit以及demiurge等。三、HTML/XML解析器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/ATOMfeeds；MarkupSafe：为XML/HTML/XHTML提供了安全转义的字符串；教育，只培养技术精英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；Bleach：清理HTML(需要html5lib)；四、文本处理difflib：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；unidecode：将Unicode文本转为ASCII；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。awesome-slugify：一个可以保留unicode的Pythonslugify库；python-slugify：一个可以将Unicode转为ASCII的Pythonslugify库；unicode-slugify：一个可以将生成Unicodeslugs的工具；pytils：处理俄语字符串的简单工具(包括pytils.translit.slugify)；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；教育，只培养技术精英python-nameparser：解析人的名字的组件；phonenumbers：解析，格式化，存储和验证国际电话号码；python-user-agents：浏览器用户代理的解析器；HTTPAgentParser：Python的HTTP代理分析器。五、特定格式文件处理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；python-docx：读取，查询和修改的MicrosoftWord2007/2008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Excel2010XLSX/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；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；教育，只培养技术精英Python-Markdown：一个用Python实现的JohnGruber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；PyYAML：一个Python的YAML解析器；cssutils：一个Python的CSS库；feedparser：通用的feed解析器；sqlparse：一个非验证的SQL语句分析器；http-parser：C语言实现的HTTP请求/响应消息解析器；opengraph：一个用来解析OpenGraph协议标签的Python模块；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-tools：将AdobePhotoshopPSD(即PE)文件读取到Python数据结构。六、自然语言处理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；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；教育，只培养技术精英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。七、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(seleniumweb驱动，Django客户端，Zope)。八、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pythonGIL；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。九、异步网络编程库asyncio：(在Python3.4+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；教育，只培养技术精英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。十、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；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AmazonSQS的队列；python-gearman：Gearman的PythonAPI。十一、云计算picloud：云端执行Python代码；dominoup.com：云端执行R，Python和matlab代码。十二、电子邮件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。十三、网址和网络地址操作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”；教育，只培养技术精英tldextract：从URL的注册域和子域中准确分离TLD，使用公共后缀列表；etaddr：用于显示和操纵网络地址的Python库。十四、网页内容提取ewspaper：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：arc90readability工具的快速Python接口；scrapely：从HTML网页中提取结构化数据的库；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；WikiTeam：下载和保存wikis的工具。十五、WebSocketCrossbar：开源的应用消息传递路由器；AutobahnPython：提供了WebSocket协议和WAMP协议的Python实现并且开源；WebSocket-for-Python：Python2和3以及PyPy的WebSocket客户端和服务器库。十六、DNS解析教育，只培养技术精英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。十七、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；mahotas：快速计算机图像处理算法，完全基于numpy的数组作为它的数据类型。十八、代理服务器shadowsocks：一个快速隧道代理，可帮你穿透防火墙；tproxy：tproxy是一个简单的TCP路由代理，基于Gevent，用Python进行配置。