当前位置:Gxlcms > Python > python爬虫用的哪些库

python爬虫用的哪些库

时间:2021-07-01 10:21:17 帮助过:105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,主要有几种类型。下面本篇文章就来给大家介绍。

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。

四、文本处理

用于解析和操作简单文本的库。

● 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。

五、特定格式文件处理

解析和处理特定文本格式的库。

● 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:将来还会提供更多!)。

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。

十九、其他Python工具列表

● awesome-python

● pycrumbs

● python-github-projects

● python_reference

● pythonidae

以上就是python爬虫用的哪些库的详细内容,更多请关注Gxl网其它相关文章!

人气教程排行