关于python:Python库集合

作者：萧啊 https://www.zhihu.com/questio…

awesome-web-scraping 中文版
本文由 伯乐在线 – LynnShaw 翻译，赖信涛 校稿。未经许可，禁止转载！
英文出处：Gregory Petukhov。欢送退出翻译组。

这个列表蕴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，平安连接池、反对文件 post、可用性高。
  • httplib2 – 网络库。
  • RoboBrowser – 一个简略的、极具 Python 格调的 Python 库，无需独立的浏览器即可浏览网页。
  • MechanicalSoup - 一个与网站主动交互 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 更新并踊跃保护的版本，包含谬误修复和一些其余的特色。作为 socket 模块的间接替换。

• 异步

  • treq – 相似于 requests 的 API（基于 twisted）。
  • aiohttp – asyncio 的 HTTP 客户端 / 服务器 (PEP-3156)。
  • Wget linux 上 wget 的 Python 实现版本

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），不反对 Python3。
  • pyspider – 一个弱小的爬虫零碎。
  • cola – 一个分布式爬虫框架。

• 其余

  • portia – 基于 Scrapy 的可视化爬虫。
  • restkit – Python 的 HTTP 资源工具包。它能够让你轻松地拜访 HTTP 资源，并围绕它建设的对象。
  • 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 解决库。反对 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 解决库，纯 Python 实现。
  • html5lib – 依据 WHATWG 标准生成 HTML/ XML 文档的 DOM。该标准被用在当初所有的浏览器上。
  • feedparser – 解析 RSS/ATOM feeds。
  • MarkupSafe – 为 XML/HTML/XHTML 提供了平安本义的字符串。
  • xmltodict – 一个能够让你在解决 XML 时感觉像在解决 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（须要 html5lib）。
  • sanitize – 为凌乱的数据世界带来清明。

文本处理

用于解析和操作简略文本的库。

• 通用
• difflib –（Python 规范库）帮忙进行差异化比拟。
• Levenshtein – 疾速计算 Levenshtein 间隔和字符串类似度。
• fuzzywuzzy – 含糊字符串匹配。
• esmre – 正则表达式加速器。
• ftfy – 主动整顿 Unicode 文本，缩小碎片化。
• 转换
• unidecode – 将 Unicode 文本转为 ASCII。
• 字符编码
• uniout – 打印可读字符，而不是被本义的字符串。
• 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。
• Slug 化
• awesome-slugify – 一个能够保留 unicode 的 Python slugify 库。
• python-slugify – 一个能够将 Unicode 转为 ASCII 的 Python slugify 库。
• unicode-slugify – 一个能够将生成 Unicode slugs 的工具。
• pytils – 解决俄语字符串的简略工具（包含 pytils.translit.slugify）。
• 通用解析器
• 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。
• 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，存储和验证国内电话号码。
• 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。

BI

• 综合
• SupersetSuperset 最后是在 http://Druid.io 的根底上设计的，然而通过应用 SQLAlchemy（一种与大多数常见数据库兼容的 Python ORM），迅速扩大了范畴以反对其余数据库。
• pyecharts 百度 echarts 的 python 版本
• 图表
• [matplotlib]
• [seaborn]
• 地图
• [folium]
• [geoplot]
• [geopandas]
• [fiona]

CLI

• Progressbar CLI 显示一个文本的进度条: 60% |######################################################## |
• Colorama CLI 显示一个黑白的文本进度条
• bashplotlib 在终端绘制根本的图形
• Prettytable 终端上画表格

特定格式文件解决

解析和解决特定文本格式的库。

• 通用
• tablib – 一个把数据导出为 XLS、CSV、JSON、YAML 等格局的模块。
• textract – 从各种文件中提取文本，比方 Word、PowerPoint、PDF 等。
• messytables – 解析凌乱的表格数据的工具。
• rows – 一个罕用数据接口，反对的格局很多（目前反对 CSV，HTML，XLS，TXT – 未来还会提供更多！）。
• Office
• python-docx – 读取，查问和批改的 Microsoft Word2007/2008 的 docx 文件。
• xlwt / xlrd – 从 Excel 文件读取写入数据和格局信息。
• XlsxWriter – 一个创立 Excel.xlsx 文件的 Python 模块。
• xlwings – 一个 BSD 许可的库，能够很容易地在 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
• PDFMiner – 一个从 PDF 文档中提取信息的工具。
• PyPDF2 – 一个可能宰割、合并和转换 PDF 页面的库。
• ReportLab – 容许疾速创立丰盛的 PDF 文档。
• pdftables – 间接从 PDF 文件中提取表格。
• Markdown
• Python-Markdown – 一个用 Python 实现的 John Gruber 的 Markdown。
• Mistune – 速度最快，性能全面的 Markdown 纯 Python 解析器。
• markdown2 – 一个齐全用 Python 实现的疾速的 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-parser – C 语言实现的 HTTP 申请 / 响应音讯解析器。
• 微格局
• opengraph – 一个用来解析 Open Graph 协定标签的 Python 模块。
• 可移植的执行体
• pefile – 一个多平台的用于解析和解决可移植执行体（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。

自然语言解决

解决人类语言问题的库。

• NLTK - 编写 Python 程序来解决人类语言数据的最好平台。
• Pattern – Python 的网络开掘模块。他有自然语言解决工具，机器学习以及其它。
• TextBlob – 为深刻自然语言解决工作提供了统一的 API。是基于 NLTK 以及 Pattern 的伟人之肩上倒退的。
• 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 – 一个韩文状态库。
• pymorphy2 – 俄语状态分析器（词性标注 + 词形变化引擎）。
• PyPLN – 用 Python 编写的分布式自然语言解决通道。这个我的项目的指标是创立一种简略的办法应用 NLTK 通过网络接口解决大语言库。

机器学习

• Scikit-learn
• PyMC

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（须要 PyQT）。
• Spynner – 对 PyQt 的 webkit 的封装（须要 PyQT）。
• Splinter – 通用 API 浏览器模拟器（selenium web 驱动，Django 客户端，Zope）。

多重解决

• threading – Python 规范库的线程运行。对于 I / O 密集型工作很无效。对于 CPU 绑定的工作没用，因为 python GIL。
• multiprocessing – 规范的 Python 库运行多过程。
• celery – 基于分布式消息传递的异步工作队列 / 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 规范库）异步 I /O，工夫循环，协同程序和工作。
• 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 – 一个应用 greenlet 的基于协程的 Python 网络库。
• eventlet – 有 WSGI 反对的异步框架。
• Tomorrow – 异步代码的微妙的修饰语法。

队列

• celery – 基于分布式消息传递的异步工作队列 / 作业队列。
• huey – 小型多线程工作队列。
• mrq – Mr. Queue – 应用 redis & Gevent 的 Python 分布式工作工作队列。
• RQ – 基于 Redis 的轻量级工作队列管理器。
• simpleq – 一个简略的，可有限扩大，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

• flanker – 电子邮件地址和 Mime 解析库。
• Talon – Mailgun 库用于提取音讯的报价和签名。

网址和网络地址操作

解析 / 批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 – 一个简略的不可扭转的 URL 以及一个洁净的用于调试和操作的 API。
  • urllib.parse – 用于突破对立资源定位器（URL）的字符串在组件（寻址计划，网络地位，门路等）之间的隔断，为了联合组件到一个 URL 字符串，并将“绝对 URL”转化为一个相对 URL，称之为“根本 URL”。
  • tldextract – 从 URL 的注册域和子域中精确拆散 TLD，应用公共后缀列表。

• 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 格局文本。
  • 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盛内容的小库。
  • sumy - 一个主动汇总文本文件和 HTML 网页的模块
  • Haul – 一个可扩大的图像爬虫。
  • python-readability – arc90 readability 工具的疾速 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 为所有相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 – 下载和保留 wikis 的工具。

WebSocket

用于 WebSocket 的库。

• Crossbar – 开源的利用消息传递路由器（Python 实现的用于 Autobahn 的 WebSocket 和 WAMP）。
• AutobahnPython – 提供了 WebSocket 协定和 WAMP 协定的 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 – 在寰球超过 1500 个的 DNS 服务器上查看你的 DNS。
• pycares – c-ares 的接口。c-ares 是进行 DNS 申请和异步名称决定的 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、格局转换的简介，可读性强的接口（基于 OpenCV）。
• mahotas – 疾速计算机图像处理算法（齐全应用 C++ 实现），齐全基于 numpy 的数组作为它的数据类型。

其余 Python 工具列表

• awesome-python
• pycrumbs
• python-github-projects
• python_refe
• Tenacity 工作异样后主动重试
• Delorean 日期工夫库
• ShSh 能让你将 shell 命令以函数导入 Python 中