学习Pytho爬虫常常会用到的一些库！_惠州计算机Python培训学校

一、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，安全连接池、支持文件post、可用性高。

       httplib2 – 网络库。

       RoboBrowser – 一个简单的、极具Python风格的Python库，无需独立的浏览器即可浏览网页。

       MechanicalSoup -一个与网站自动交互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新并积极维护的版本，包括错误修复和一些其他的特征。作为socket模块的直接替换。

       二、网络爬虫框架

       1. 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），不支持Python3。

       pyspider – 一个强大的爬虫系统。

       cola – 一个分布式爬虫框架。

       2. 其他

       portia – 基于Scrapy的可视化爬虫。

       restkit – Python的HTTP资源工具包。它可以让你轻松地访问HTTP资源，并围绕它建立的对象。

       demiurge – 基于PyQuery的爬虫微框架。

       三、HTML/XML解析器

       1. 通用

       lxml – C语言编写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。

       2. 清理

       Bleach – 清理HTML（需要html5lib）。

       sanitize – 为混乱的数据世界带来清明。

       四、文本处理：用于解析和操作简单文本的库。

       通用

       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、自然语言处理：处理人类语言问题的库。

       NLTK -编写Python程序来处理人类语言数据的好平台。

       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。

       六、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）。

       七、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。

       八、异步：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。

       九、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。

       十、云计算

       picloud – 云端执行Python代码。

       dominoup.com – 云端执行R，Python和matlab代码

       十一、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

       十二、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。

       十三、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。c-ares是进行DNS请求和异步名称决议的C语言库。

       十四、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。

       十五、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。

       关于框架的选择误区

       在框架的选择问题上，许多人很容易就陷入了下面两个误区中而不自知~

       哪个框架比较好——世上没有好的框架，只有适合你自己、适合你的团队的框架。

       编程语言选择也是一个道理，你的团队Python熟就用Python好了，如果熟悉的是Ruby那就用Ruby好了，编程语言、框架都只是工具，能多、快、好、省的干完活就是好东西。

       过分关注性能——其实大部分人是没必要太关心框架的性能的，因为你开发的网站根本就是个小站，能上1万的IP的网站已经不多了，上10万的是很少很少。

       在没有一定的访问量前谈性能其实是没有多大意义的，因为你的CPU和内存一直就闲着呢。

点击咨询直接了解更多相关资料，我在惠州北大青鸟新方舟等你。

本文内容转载自网络，版权归原作者所有，如有侵权请联系我们进行删除。

标签：惠州计算机软件培训惠州计算件软件开发惠州计算机软件基础惠州计算机Python软件开发惠州Python培训学校惠州Python培训python基础教程python是什么python教程python入门