GitHub上Python的爬虫工具_github gpt爬虫

网络相关

• 通用
  • urllib - 网络库(标准库)
  • requests - 网络库
  • grab - 网络库(基于pycurl)
  • pycurl - 网络库 (与libcurl绑定)
  • urllib3 - 具有线程安全连接池、文件psot支持、高可用的Python HTTP库
  • httplib2 - 网络库
  • RoboBrowser - 一个无需独立浏览器即可访问网页的简单、pythonic的库
  • MechanicalSoup - 能完成自动网站交互的Python库
  • mechanize - 有状态、可编程的网页浏览库。
  • socket - 底层网络接口(标准库)
  • Unirest for Python - 一套支持多种语言的轻量级HTTP库
  • hyper - Python HTTP/2客户端
  • PySocks - SocksiPy持续更新并维护的版本，指出bug修复和一些其他功能，可以作为socket模块的替代品

• 异步
  • treq - 基于twisted、与requests类似的API
  • aiohttp - asyncio的HTTP客户端/服务器 (PEP-3156)

网络爬虫框架

• 全能型爬虫
  • grab - 网络爬虫框架(基于pycurl/multicurl)
  • scrapy - 网络爬虫框架(基于twisted)
  • pyspider - 一个强力的爬虫系统
  • cola - 一个分布式爬虫框架

• 其他
  • portia - 基于Scrapy的可视化爬虫
  • restkit - Python的HTTP资源库。允许影虎简单的访问HTTP资源并用来创建项目
  • demiurge - 基于PyQuery的微型爬虫框架

HTML/XML解析

• 通用
  • lxml - 高效的HTML/XML处理库。支持XPATH，用C语言写成
  • cssselect - 解析DOM树和css选择器
  • pyquery - 解析DOM树和jQuery选择器
  • BeautifulSoup - Python写成的低效HTML/XMl处理库
  • html5lib - 根据WHATWG规范生成HTML/ XML文档的DOM。WHATWG规范是现在浏览器的通行规范
  • feedparser - 解析RSS/ATOM信息流
  • MarkupSafe - Python的XML/HTML/XHTML安全转义字符串工具
  • xmltodict - 让你处理XML如同处理JSON一样
  • xhtml2pdf - HTML/CSS to PDF转化器
  • untangle - 讲XML文档转化为Python项目以简化处理难度
  • hodor - 支持lxml and cssselect的配置驱动包装工具

• 清理
  • Bleach - 清理HTML (需求html5lib)
  • sanitize - 将混乱的数据世界恢复清楚

文本处理

解析及操作文本的库

• 通用
  • difflib - 差异化计算工具(Python标准库)
  • Levenshtein - 快速计算编辑距离及字符串相似度
  • fuzzywuzzy - 模糊字符串比匹配
  • esmre - 正则表达式加速器.
  • ftfy - 将Unicode文本自动整理减少碎片化

• 转换
  • unidecode - Unicode转化为ASCII文本

• 字符编码
  • uniout - 将转移字符串输出为可读形式
  • chardet - Python 2/3兼容字符编码检测器
  • xpinyin - 讲汉字转为拼音的库
  • pangu.py - CJK及字母数字文本间距格式化

• Slug化
  • awesome-slugify - 可保留Unicode的Python slugify库
  • python-slugify - 讲Unicode转为ASCII的Python slugify库
  • unicode-slugify - unicode slugs生成工具
  • pytils - 处理俄语字符串的小工具(包含pytils.translit.slugify)

• 通用解析器
  • PLY - Python lex和yacc解析工具
  • pyparsing - 用于生成解析器的通用框架

• 人名
  • python-nameparser - 姓名解析组件

• 电话号码
  • phonenumbers - 处理、格式化、存储、验证全球电话号码

• 用户代理字符串
  • python-user-agents - 浏览器用户代理解析器
  • HTTP Agent Parser - Python HTTP代理解析器
  • fake-useragent - 基于全球浏览器统计的Python用户代理欺骗器
  • user_agent - 用户代理数据生成器

特殊格式处理

处理特编辑特殊字符格式的库

• 通用
  • tablib - 处理XLS, CSV, JSON, YAML等表格数据的库
  • textract - 从任何文档中提取文本，支持Word, PowerPoint, PDF等
  • messytables - 杂乱的表格数据解析
  • rows - 支持多种格式的通用且美观的表格数据处理器(现有CSV, HTML, XLS, TXT -- 即将支持更多)

• Office
  • python-docx - 阅读，查询和修改Microsoft Word 2007/2008 docx文件
  • xlwt / xlrd - 从Excel读取及写入数据和格式化信息
  • XlsxWriter - 用于穿件Excel .xlsx文件的Python模块
  • xlwings - 一个BSD许可的库，是Excel与Python互相调用更加简单
  • openpyxl - 可读取、编辑Excel 2010xlsx/xlsm/xltx/xltm文件的库
  • Marmir - 提取Python数据结构并将其转化为表格的库

• PDF
  • PDFMiner - 从PDF文档中提取信息的工具
  • PyPDF2 - 一个分割、合并、转换PDF文件的库
  • ReportLab - 可以快速创建大量PDF文档
  • pdftables - 从PDF文件中精准提取表格

• Markdown
  • 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

• 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 - 一个无验证的SQL语句分析器

• HTTP
  • http-parser - C语言实现的HTTP请求/响应消息解析器

• Microformats
  • opengraph - 一个用来解析Open Graph协议标签的Python模块

• 可移植的执行体
• pefile - 一个多平台的用于解析和处理可移植执行体（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

自然语言处理

自然语言处理库

• NLTK - Python自然语言处理领先者
• Pattern - Python的网络挖掘模块。他有自然语言处理工具，机器学习以及其它
• TextBlob - 为深入处理自然语言的项目提供API，参考了NLTK及其他
• jieba - 中文分词
• SnowNLP - 汉字文本处理库
• loso - 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 - 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
• langdetect - Python的谷歌语言检测库端口

浏览器自动化与仿真

• 浏览器
  • selenium - 自动化真实浏览器(Chrome, Firefox, Opera, IE)
  • Ghost.py - QtWebKit封装(需求PyQT)
  • Spynner - 具备AJAX支持的程序化网页浏览模块
  • Splinter - 通用API浏览器模拟器（selenium web驱动，Django客户端，Zope）

• Headless工具
  • xvfbwrapper - 用于在X虚拟帧缓冲区（Xvfb）中运行显示的Python包装器

多进程并发

• threading - Python标准库的多线程运行。因为python GIL限制，对于I/O密集型任务很有效，对于CPU绑定的任务没用
• multiprocessing - 多进程标准库
• 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模块提供用于异步执行callable的高级接口

异步

异步网络编程库

• asyncio - 异步I/O，时间循环，协同程序和任务(Python 3.4以上版本的Python标准库)
• Twisted - 基于事件驱动的网络引擎框架
• Tornado - 一个Web框架及异步网络库
• pulsar - Python事件驱动的并发框架
• diesel - Python的基于Greenlet的I/O框架
• gevent - 一个基于协同程序的Python网络库，使用greenlet
• eventlet - 有WSGI支持的异步框架
• Tomorrow - 异步代码的魔法

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
• mrq - Mr. Queue - 使用redis & Gevent 的Python分布式工作任务队列
• 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

云计算

• picloud - 在云端执行Python
• dominoup.com - 在云端执行R, Python及matlab代码

电子邮件

电子邮件处理库

• flanker - 电子邮件及MIME处理库
• Talon - Mailgun库用于提取消息的报价和签名

URL和网络地址操作

URL和网络地址操作库

• URL
  • 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（寻址方案，网络位置，路径等）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”（标准库）
  • tldextract - 使用公共后缀列表从URL的注册域和子域中准确分离TLD
• 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

网页内容提取库

• 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型库
  • 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。给出了一些Web页面和数据提取的示例，scrapely为所有类似的网页构建一个分析器
  • libextract - 从网站提取数据

• 视频
  • youtube-dl - 一个从YouTube下载视频的小型命令行工具
  • you-get - Python3写成的YouTube/Youku/Niconico视频下载工具

• Wiki
  • WikiTeam - 下载并保存wkiks的工具

WebSocket

用于WebSocket的库

• Crossbar - 开源的应用消息传递路由器（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

DNS解析

• dnsyo - 在全球超过1500个的DNS服务器上检查你的DNS
• pycares - ic-ares的接口。c-ares是进行DNS请求和异步名称决议的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、格式转换的简介，可读性强的接口（基于OpenCV）
• mahotas - 快速计算机图像处理算法（完全使用 C++ 实现），完全基于 numpy 的数组作为它的数据类型

代理服务器

• shadowsocks - 一个快速隧道代理，可帮你穿透防火墙（支持TCP和UDP，TFO，多用户和平滑重启，目的IP黑名单）
• tproxy - tproxy是一个简单的TCP路由代理（第7层），基于Gevent，用Python进行配置

杂项

• user_agent - 此模块用于生成随机，有效的Web导航器的配置和用户代理HTTP header

其他

• awesome-python
• pycrumbs
• python-github-projects
• python_reference
• pythonidae