这个列表包含与网页抓取和数据处理的Python库。
网络
-
通用
-
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 -一个与网站自动交互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。
-
异步
-
treq – 类似于requests的API(基于twisted)。
-
aiohttp – asyncio的HTTP客户端/服务器(PEP-3156)。
网络爬虫框架
-
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。
-
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
-
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。
-
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