1. 程式人生 > >關於爬蟲的一些工具。

關於爬蟲的一些工具。

多重 tip wiki websocket httplib2 oca 之間 user paper

網絡

  • 通用
    • urllib -網絡庫(stdlib)。
    • requests -網絡庫。
    • grab – 網絡庫(基於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是一套可用於多種語言的輕量級的HTTP庫。
    • hyper – Python的HTTP/2客戶端。
    • PySocks – SocksiPy更新並積極維護的版本,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 – 類似於requests的API(基於twisted)。
    • aiohttp – asyncio的HTTP客戶端/服務器(PEP-3156)。

網絡爬蟲框架

  • 功能齊全的爬蟲
    • grab – 網絡爬蟲框架(基於pycurl/multicur)。
    • scrapy – 網絡爬蟲框架(基於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 – 基於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,並圍繞它建立的對象。
    • demiurge – 基於PyQuery的爬蟲微框架。

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規範生成HTML/ XML文檔的DOM。該規範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。

文本處理

用於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。

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 – 一個用於讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的庫。
    • Marmir – 提取Python數據結構並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、合並和轉換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
    • 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 – 一個多平臺的用於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。

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。是基於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 – 基於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(詞性標註+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。

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)。

多重處理

  • threading – Python標準庫的線程運行。對於I/O密集型任務很有效。對於CPU綁定的任務沒用,因為python GIL。
  • multiprocessing – 標準的Python庫運行多進程。
  • celery – 基於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。

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 – 基於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事件驅動的並發框架。
  • diesel – Python的基於綠色事件的I/O框架。
  • gevent – 一個使用greenlet 的基於協程的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。

隊列

  • celery – 基於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 – 基於Redis的輕量級任務隊列管理器。
  • simpleq – 一個簡單的,可無限擴展,基於Amazon SQS的隊列。
  • python-gearman – Gearman的Python API。

雲計算

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

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庫用於提取消息的報價和簽名。

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以及一個幹凈的用於調試和操作的API。
    • urllib.parse – 用於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,並將“相對URL”轉化為一個絕對URL,稱之為“基本URL”。
    • tldextract – 從URL的註冊域和子域中準確分離TLD,使用公共後綴列表。
  • 網絡地址
    • netaddr – 用於顯示和操縱網絡地址的Python庫。

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。

WebSocket

用於WebSocket的庫。

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

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。

計算機視覺

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

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),基於Gevent,用Python進行配置。

其他Python工具列表

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

關於爬蟲的一些工具。