python爬虫用的哪些库
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,主要有几种类型。下面本篇文章就来给大家介绍。
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。
四、文本处理
用于解析和操作简单文本的库。
● 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。
五、特定格式文件处理
解析和处理特定文本格式的库。
● 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!)。
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。
十九、其他Python工具列表
● awesome-python
● pycrumbs
● python-github-projects
● python_reference
● pythonidae
以上就是python爬虫用的哪些库的详细内容,更多请关注其它相关文章!
上一篇: PHP $this变量一些理解
下一篇: SQL中Update语句的执行顺序是什么