共计 5671 个字符,预计需要花费 15 分钟才能阅读完成。
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。
- 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
正文完