当前位置:Gxlcms > Python > python爬虫时常用的库的相关介绍

python爬虫时常用的库的相关介绍

时间:2021-07-01 10:21:17 帮助过:19人阅读

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。

相关推荐:《python视频》

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、Unirest for Python、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/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;

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);

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;

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;

HTTP Agent Parser: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Microsoft Word2007/2008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Excel2010 XLSX/ 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;

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;

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Open Graph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Adobe Photoshop PSD(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;

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(selenium web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python GIL;

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Python 3.4 +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;

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Amazon SQS的队列;

python-gearman:Gearman的Python API。

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”;

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: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;

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、WebSocket

Crossbar: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:Python 2和3以及PyPy的WebSocket客户端和服务器库。

十六、DNS解析

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。

以上就是python爬虫时常用的库的相关介绍的详细内容,更多请关注Gxl网其它相关文章!

人气教程排行