python爬虫时常用的库的相关介绍

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！