常用Python爬虫库汇总，建议收藏留用！，2024年最新BAT等大厂必问技术面试题

最新推荐文章于 2024-08-14 15:41:31 发布

2401_84265866

最新推荐文章于 2024-08-14 15:41:31 发布

阅读量1k

点赞数 10

分类专栏：程序员文章标签： python 爬虫开发语言

本文链接：https://blog.csdn.net/2401_84265866/article/details/137730371

版权

程序员专栏收录该内容

14 篇文章 1 订阅

订阅专栏

9.mechanize -有状态、可编程的Web浏览库。
10.socket – 底层网络接口(stdlib)。
11.Unirest for Python – Unirest是一套可用于多种语言的轻量级的HTTP库。
12.hyper – Python的HTTP/2客户端。
13.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。

网络爬虫框架

1.功能齐全的爬虫

•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。

2.其他

•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。

HTML/XML解析器

1.通用

•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。

2.清理

•Bleach – 清理HTML（需要html5lib）。•sanitize – 为混乱的数据世界带来清明。

文本处理

用于解析和操作简单文本的库。

1.通用
2.difflib – （Python标准库）帮助进行差异化比较。
3.Levenshtein – 快速计算Levenshtein距离和字符串相似度。
4.fuzzywuzzy – 模糊字符串匹配。
5.esmre – 正则表达式加速器。
6.ftfy – 自动整理Unicode文本，减少碎片化。

自然语言处理

处理人类语言问题的库。

•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。他有自然语言处理工具，机器学习以及其它。•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。

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）。

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。

异步

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。

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。•mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任务队列。•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。

云计算

•picloud – 云端执行Python代码。•dominoup.com – 云端执行R，Python和matlab代码

网页内容提取

提取网页内容的库。

•HTML页面的文本和元数据•newspaper – 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

WebSocket

用于WebSocket的库。

•Crossbar – 开源的应用消息传递路由器（Python实现的用于Autobahn的WebSocket和WAMP）。•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。

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。c-ares是进行DNS请求和异步名称决议的C语言库。

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（基于OpenCV）。•mahotas – 快速计算机图像处理算法（完全使用 C++ 实现），完全基于 numpy 的数组作为它的数据类型。

web开发的一些框架

1.Django

Django是一个开源的Web应用框架，由Python写成，支持许多数据库引擎，可以让Web开发变得迅速和可扩展，并会不断的版本更新以匹配Python最新版本，如果是新手程序员，可以从这个框架入手。

2.Flask

Flask是一个轻量级的Web应用框架, 使用Python编写。基于 WerkzeugWSGI工具箱和 Jinja2模板引擎。使用 BSD 授权。

Flask也被称为 “microframework” ，因为它使用简单的核心，用 extension 增加其他功能。Flask没有默认使用的数据库、窗体验证工具。然而，Flask保留了扩增的弹性，可以用Flask-extension加入这些功能：ORM、窗体验证工具、文件上传、各种开放式身份验证技术。