欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  后端开发

python爬虫时常用的库的相关介绍

程序员文章站 2022-04-27 20:13:15
...
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。

相关推荐:《python视频

python爬虫时常用的库的相关介绍

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

*: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,更多请关注其它相关文章!

相关标签: python 爬虫