阿里云
发表主题 回复主题
  • 3023阅读
  • 2回复

[干货分享]Python 爬虫的工具列表

级别: 码农
发帖
128
云币
331
y3JMbl[S0  
\k; n20\u  
这个列表包含与网页抓取和数据处理的Python库 mp1ttGUtM  
"VTF}#Uo  
`*_CElpP"  
(%'9CfPx  
1. 网络 + >nr.,qo3  
+qy6d7^  
'SV7$,mK@  
o\!qcoE2W  
通用 cbYK5fj"T  
i\Wdo/c-H  
  • urllib -网络库(stdlib)。
  • requests -网络库。
  • grab – 网络库(基于pycurl)。
  • pycurl – 网络库(绑定libcurl)。
  • urllib3 – Python HTTP库,安全连接池、支持文件post、可用性高。
  • httplib2 – 网络库。
  • RoboBrowser – 一个简单的、极具Python风格的Python库,无需独立的浏览器即可浏览网页。
  • MechanicalSoup -一个与网站动交互Python库。
  • Mechanize -有状态、可编程的Web浏览库。
  • socket – 底层网络接口(stdlib)。
  • Unirest for Python – Unirest是一套可用于多种语言的轻量级的HTTP库。
  • hyper – Python的HTTP/2客户端。
  • PySocks – SocksiPy更新并积极维护的版本,包括错误修复和一些其他的特征。作为socket模块的直接替换。
i=#F)AD^5#  
jatr/  
异步 `q_<Im%I  
tTuX\;G  
  • treq – 类似于requests的API(基于twisted)。
  • aiohttp – asyncio的HTTP客户端/服务器(PEP-3156)。
JvL{| KtyU  
pj8azFZ  
2. 网络爬虫框架 L l}yJ#3,  
,H[SI0];  
,Eu?JH&}u  
Gu;OV LR|  
功能齐全的爬虫 , ;jGJr  
#ekM"p  
  • grab – 网络爬虫框架(基于pycurl/multicur)。
  • scrapy – 网络爬虫框架(基于twisted),不支持Python3。
  • pyspider – 一个强大的爬虫系统
  • cola – 一个分布式爬虫框架。
\TbVS8e^  
|5MbAqjzC  
其他 RN9;kB)c  
"pvH0"Q*  
  • portia – 基于Scrapy的可视化爬虫。
  • restkit – Python的HTTP资源工具包。它可以让你轻松地访问HTTP资源,并围绕它建立的对象。
  • demiurge – 基于PyQuery的爬虫微框架。
{_>em*Vb  
d%ME@6K)  
3. HTML/XML解析器 ar ^i|`D  
q.V-LXM  
i$uN4tVKT  
^3~e/PKM  
通用 fZ{[]dn[  
XKU=oI0\j  
  • 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/ATOM feeds。
  • MarkupSafe – 为XML/HTML/XHTML提供了安全转义的字符串。
  • 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。
^}$O|t  
2`bdrRD0  
清理 T@ YGB]*Y  
DuF"*R~et  
  • Bleach – 清理HTML(需要html5lib)。
  • sanitize – 为混乱的数据世界带来清明。
vHKlLl>*2  
]?LB?:6  
4. 文本处理 bGmx7qt#  
'Jj=RAV`  
j*R,m1e8  
jvwwJ<K  
用于解析操作简单文本的库 {eT.SO  
i$^ZTb^  
  • 通用
  • difflib – (Python标准库)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。
  • 转换
  • unidecode – 将Unicode文本转为ASCII。
  • 字符编码
  • 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。
  • 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。
QlZ@ To  
云计算专业咨询服务品牌 CloudCare
本帖最近评分记录: 1 条评分 云币 +1
小柒2012 云币 +1 您的帖子很精彩!希望很快能再分享您的下一帖! 03-07
级别: 论坛版主
发帖
3410
云币
8767

只看该作者 沙发  发表于: 03-07
您的帖子很精彩!希望很快能再分享您的下一帖!
级别: 禁止发言
发帖
13
云币
11
只看该作者 板凳  发表于: 03-25
用户被禁言,该主题自动屏蔽!
发表主题 回复主题
« 返回列表上一主题下一主题

限100 字节
如果您在写长篇帖子又不马上发表,建议存为草稿
 
验证问题: ECS是阿里云提供的什么服务? 正确答案:云服务器
上一个 下一个