溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章將為大家詳細講解有關Python爬蟲工具都有哪些，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。
通用
urllib -網絡庫(stdlib)。
requests -網絡庫。
grab – 網絡庫（基于pycurl）。
pycurl – 網絡庫（綁定libcurl）。
urllib3 – Python HTTP庫，安全連接池、支持文件post、可用性高。
httplib2 – 網絡庫。
RoboBrowser – 一個簡單的、極具Python風格的Python庫，無需獨立的瀏覽器即可瀏覽網頁。
MechanicalSoup -一個與網站自動交互Python庫。
mechanize -有狀態、可編程的Web瀏覽庫。
socket – 底層網絡接口(stdlib)。
Unirest for Python – Unirest是一套可用于多種語言的輕量級的HTTP庫。
hyper – Python的HTTP/2客戶端。
PySocks – SocksiPy更新并積極維護的版本，包括錯誤修復和一些其他的特征。作為socket模塊的直接替換。
異步
treq – 類似于requests的API（基于twisted）。
aiohttp – asyncio的HTTP客戶端/服務器(PEP-3156)。
功能齊全的爬蟲
grab – 網絡爬蟲框架（基于pycurl/multicur）。
scrapy – 網絡爬蟲框架（基于twisted），不支持Python3。
pyspider – 一個強大的爬蟲系統。
cola – 一個分布式爬蟲框架。
其他
portia – 基于Scrapy的可視化爬蟲。
restkit – Python的HTTP資源工具包。它可以讓你輕松地訪問HTTP資源，并圍繞它建立的對象。
demiurge – 基于PyQuery的爬蟲微框架。
通用
lxml – C語言編寫高效HTML/ XML處理庫。支持XPath。
cssselect – 解析DOM樹和CSS選擇器。
pyquery – 解析DOM樹和jQuery選擇器。
BeautifulSoup – 低效HTML/ XML處理庫，純Python實現。
html5lib – 根據WHATWG規范生成HTML/ XML文檔的DOM。該規范被用在現在所有的瀏覽器上。
feedparser – 解析RSS/ATOM feeds。
MarkupSafe – 為XML/HTML/XHTML提供了安全轉義的字符串。
xmltodict – 一個可以讓你在處理XML時感覺像在處理JSON一樣的Python模塊。
xhtml2pdf – 將HTML/CSS轉換為PDF。
untangle – 輕松實現將XML文件轉換為Python對象。
清理
Bleach – 清理HTML（需要html5lib）。
sanitize – 為混亂的數據世界帶來清明。
用于解析和操作簡單文本的庫。
通用
difflib – （Python標準庫）幫助進行差異化比較。
Levenshtein – 快速計算Levenshtein距離和字符串相似度。
fuzzywuzzy – 模糊字符串匹配。
esmre – 正則表達式加速器。
ftfy – 自動整理Unicode文本，減少碎片化。
轉換
unidecode – 將Unicode文本轉為ASCII。
字符編碼
uniout – 打印可讀字符，而不是被轉義的字符串。
chardet – 兼容 Python的2/3的字符編碼器。
xpinyin – 一個將中國漢字轉為拼音的庫。
pangu.py – 格式化文本中CJK和字母數字的間距。
Slug化
awesome-slugify – 一個可以保留unicode的Python slugify庫。
python-slugify – 一個可以將Unicode轉為ASCII的Python slugify庫。
unicode-slugify – 一個可以將生成Unicode slugs的工具。
pytils – 處理俄語字符串的簡單工具（包括pytils.translit.slugify）。
通用解析器
PLY – lex和yacc解析工具的Python實現。
pyparsing – 一個通用框架的生成語法分析器。
人的名字
python-nameparser -解析人的名字的組件。
電話號碼
phonenumbers -解析，格式化，存儲和驗證國際電話號碼。
用戶代理字符串
python-user-agents – 瀏覽器用戶代理的解析器。
HTTP Agent Parser – Python的HTTP代理分析器。
解析和處理特定文本格式的庫。
通用
tablib – 一個把數據導出為XLS、CSV、JSON、YAML等格式的模塊。
textract – 從各種文件中提取文本，比如 Word、PowerPoint、PDF等。
messytables – 解析混亂的表格數據的工具。
rows – 一個常用數據接口，支持的格式很多（目前支持CSV，HTML，XLS，TXT – 將來還會提供更多！）。
Office
python-docx – 讀取，查詢和修改的Microsoft Word2007/2008的docx文件。
xlwt / xlrd – 從Excel文件讀取寫入數據和格式信息。
XlsxWriter – 一個創建Excel.xlsx文件的Python模塊。
xlwings – 一個BSD許可的庫，可以很容易地在Excel中調用Python，反之亦然。
openpyxl – 一個用于讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的庫。
Marmir – 提取Python數據結構并將其轉換為電子表格。
PDFMiner – 一個從PDF文檔中提取信息的工具。
PyPDF2 – 一個能夠分割、合并和轉換PDF頁面的庫。
ReportLab – 允許快速創建豐富的PDF文檔。
pdftables – 直接從PDF文件中提取表格。
Markdown
Python-Markdown – 一個用Python實現的John Gruber的Markdown。
Mistune – 速度最快，功能全面的Markdown純Python解析器。
markdown2 – 一個完全用Python實現的快速的Markdown。
YAML
PyYAML – 一個Python的YAML解析器。
CSS
cssutils – 一個Python的CSS庫。
ATOM/RSS
feedparser – 通用的feed解析器。
SQL
sqlparse – 一個非驗證的SQL語句分析器。
HTTP
HTTP
http-parser – C語言實現的HTTP請求/響應消息解析器。
微格式
opengraph – 一個用來解析Open Graph協議標簽的Python模塊。
可移植的執行體
pefile – 一個多平臺的用于解析和處理可移植執行體（即PE）文件的模塊。
PSD
psd-tools – 將Adobe Photoshop PSD（即PE）文件讀取到Python數據結構。
處理人類語言問題的庫。
NLTK -編寫Python程序來處理人類語言數據的最好平臺。
Pattern – Python的網絡挖掘模塊。他有自然語言處理工具，機器學習以及其它。
TextBlob – 為深入自然語言處理任務提供了一致的API。是基于NLTK以及Pattern的巨人之肩上發展的。
jieba – 中文分詞工具。
SnowNLP – 中文文本處理庫。
loso – 另一個中文分詞庫。
genius – 基于條件隨機域的中文分詞。
langid.py – 獨立的語言識別系統。
Korean – 一個韓文形態庫。
pymorphy2 – 俄語形態分析器（詞性標注+詞形變化引擎）。
PyPLN – 用Python編寫的分布式自然語言處理通道。這個項目的目標是創建一種簡單的方法使用NLTK通過網絡接口處理大語言庫。
selenium – 自動化真正的瀏覽器（Chrome瀏覽器，火狐瀏覽器，Opera瀏覽器，IE瀏覽器）。
Ghost.py – 對PyQt的webkit的封裝（需要PyQT）。
Spynner – 對PyQt的webkit的封裝（需要PyQT）。
Splinter – 通用API瀏覽器模擬器（selenium web驅動，Django客戶端，Zope）。
threading – Python標準庫的線程運行。對于I/O密集型任務很有效。對于CPU綁定的任務沒用，因為python GIL。
multiprocessing – 標準的Python庫運行多進程。
celery – 基于分布式消息傳遞的異步任務隊列/作業隊列。
concurrent-futures – concurrent-futures 模塊為調用異步執行提供了一個高層次的接口。
異步網絡編程庫
asyncio – （在Python 3.4 +版本以上的 Python標準庫）異步I/O，時間循環，協同程序和任務。
Twisted – 基于事件驅動的網絡引擎框架。
Tornado – 一個網絡框架和異步網絡庫。
pulsar – Python事件驅動的并發框架。
diesel – Python的基于綠色事件的I/O框架。
gevent – 一個使用greenlet 的基于協程的Python網絡庫。
eventlet – 有WSGI支持的異步框架。
Tomorrow – 異步代碼的奇妙的修飾語法。
celery – 基于分布式消息傳遞的異步任務隊列/作業隊列。
huey – 小型多線程任務隊列。
mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任務隊列。
RQ – 基于Redis的輕量級任務隊列管理器。
simpleq – 一個簡單的，可無限擴展，基于Amazon SQS的隊列。
python-gearman – Gearman的Python API。
picloud – 云端執行Python代碼。
dominoup.com – 云端執行R，Python和matlab代碼。
電子郵件解析庫
flanker – 電子郵件地址和Mime解析庫。
Talon – Mailgun庫用于提取消息的報價和簽名。
解析/修改網址和網絡地址庫。
URL
furl – 一個小的Python庫，使得操縱URL簡單化。
purl – 一個簡單的不可改變的URL以及一個干凈的用于調試和操作的API。
urllib.parse – 用于打破統一資源定位器（URL）的字符串在組件（尋址方案，網絡位置，路徑等）之間的隔斷，為了結合組件到一個URL字符串，并將“相對URL”轉化為一個絕對URL，稱之為“基本URL”。
tldextract – 從URL的注冊域和子域中準確分離TLD，使用公共后綴列表。
網絡地址
netaddr – 用于顯示和操縱網絡地址的Python庫。
提取網頁內容的庫。
HTML頁面的文本和元數據
newspaper – 用Python進行新聞提取、文章提取和內容策展。
html2text – 將HTML轉為Markdown格式文本。
python-goose – HTML內容/文章提取器。
lassie – 人性化的網頁內容檢索工具
micawber – 一個從網址中提取豐富內容的小庫。
sumy -一個自動匯總文本文件和HTML網頁的模塊
Haul – 一個可擴展的圖像爬蟲。
python-readability – arc90 readability工具的快速Python接口。
scrapely – 從HTML網頁中提取結構化數據的庫。給出了一些Web頁面和數據提取的示例，scrapely為所有類似的網頁構建一個分析器。
視頻
youtube-dl – 一個從YouTube下載視頻的小命令行程序。
you-get – Python3的YouTube、優酷/ Niconico視頻下載器。
維基
WikiTeam – 下載和保存wikis的工具。
用于WebSocket的庫。
Crossbar – 開源的應用消息傳遞路由器（Python實現的用于Autobahn的WebSocket和WAMP）。
AutobahnPython – 提供了WebSocket協議和WAMP協議的Python實現并且開源。
WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和服務器庫。
dnsyo – 在全球超過1500個的DNS服務器上檢查你的DNS。
pycares – c-ares的接口。c-ares是進行DNS請求和異步名稱決議的C語言庫。
OpenCV – 開源計算機視覺庫。
SimpleCV – 用于照相機、圖像處理、特征提取、格式轉換的簡介，可讀性強的接口（基于OpenCV）。
mahotas – 快速計算機圖像處理算法（完全使用 C++ 實現），完全基于 numpy 的數組作為它的數據類型。
tproxy – tproxy是一個簡單的TCP路由代理（第7層），基于Gevent，用Python進行配置。
關于Python爬蟲工具都有哪些就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
