本文转载自伯乐在线:http://python.jobbole.com/82633/
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)。
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
网络爬虫框架
功能齐全的爬虫
其他
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
文本处理
用于解析和操作简单文本的库。
通用
-
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。
转换
-
unidecode - 将Unicode文本转为ASCII。
字符编码
Slug化
-
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)。
通用解析器
人的名字
-
python-nameparser -解析人的名字的组件。
电话号码
-
phonenumbers -解析,格式化,存储和验证国际电话号码。
用户代理字符串
-
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。
特定格式文件处理
解析和处理特定文本格式的库。
通用
-
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!)。
Office
-
python-docx - 读取,查询和修改的Microsoft Word2007/2008的docx文件。
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。
PDF
Markdown
-
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。
YAML
-
PyYAML - 一个Python的YAML解析器。
CSS
-
cssutils - 一个Python的CSS库。
ATOM/RSS
-
feedparser - 通用的feed解析器。
SQL
-
sqlparse - 一个非验证的SQL语句分析器。
HTTP
HTTP
-
http-parser - C语言实现的HTTP请求/响应消息解析器。
微格式
-
opengraph - 一个用来解析Open Graph协议标签的Python模块。
可移植的执行体
-
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
-
psd-tools - 将Adobe Photoshop PSD(即PE)文件读取到Python数据结构。
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。
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。
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。
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。
电子邮件
电子邮件解析库
网址和网络地址操作
解析/修改网址和网络地址库。
URL
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(寻址方案,网络位置,路径等)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。
网络地址
netaddr – 用于显示和操纵网络地址的Python库。
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
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。给出了一些Web页面和数据提取的示例,scrapely为所有类似的网页构建一个分析器。
视频
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。
维基
WikiTeam - 下载和保存wikis的工具。
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
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。
代理服务器
shadowsocks – 一个快速隧道代理,可帮你穿透防火墙(支持TCP和UDP,TFO,多用户和平滑重启,目的IP黑名单)。
tproxy - tproxy是一个简单的TCP路由代理(第7层),基于Gevent,用Python进行配置。