1. 程式人生 > >小白學python-爬蟲常用庫

小白學python-爬蟲常用庫

1.urllib   re

2.requests

pip3 install requests

3.selenium (驅動瀏覽器,自動化測試,載入js絢爛)

4.ChromDriver  (放到usr/bin目錄下)

wget -N http://chromedriver.storage.googleapis.com/2.29/chromedriver_linux64.zip

安裝Google chrome瀏覽器:

      將下載源加入到系統的源列表。命令的反饋結果如圖。

sudo wget http://www.linuxidc.com/files/repo/google-chrome.list -P /etc/apt/sources.list.d/
匯入谷歌軟體的公鑰,用於下面步驟中對下載軟體進行驗證。
wget -q -O - https://dl.google.com/linux/linux_signing_key.pub  | sudo apt-key add -
用於對當前系統的可用更新列表進行更新
sudo apt-get update
執行對谷歌 Chrome 瀏覽器(穩定版)的安裝。
sudo apt-get install google-chrome-stable
啟動谷歌 Chrome 瀏覽器
/usr/bin/google-chrome-stable

驗證是否安裝成功:

from selenium import webdriver

driver = webdriver.Chrome()
driver.get("http://zhaoyabei.github.io/")
driver.save_screenshot(driver.title+".png")

可以發現Google chrome 打開了。

5.phantomjs

提供一個瀏覽器環境的命令列介面,你可以把它看作一個“虛擬瀏覽器”,除了不能瀏覽,其他與正常瀏覽器一樣。它的核心是WebKit引擎,不提供圖形介面,只能在命令列下使用,我們可以用它完成一些特殊的用途。

apt install phantomjs

6.lxml (解析網頁)

pip3 install lxml
7.beautifulsoup(網頁解析庫)
pip3 install beautifulsoup4

8.pyquery(網頁解析庫)

語法和jquery相似

pip3 install pyquery

9.pymysql

pip3 install pymysql
>>> import pymysql
>>> conn = pymysql.connect(host="localhost",user="root",password="123456",port=3306,db="cxx")
>>> cursor = conn.cursor()
>>> cursor.execute('select* from user')
1
>>> cursor.fetchone()
(1, 'root', '123456')
import pymysql  #匯入 pymysql

#開啟資料庫連線
db= pymysql.connect(host="localhost",user="root",
 	password="123456",db="test",port=3307)

# 使用cursor()方法獲取操作遊標
cur = db.cursor()

#1.查詢操作
# 編寫sql 查詢語句  user 對應我的表名
sql = "select * from user"
try:
	cur.execute(sql) 	#執行sql語句

	results = cur.fetchall()	#獲取查詢的所有記錄
	print("id","name","password")
	#遍歷結果
	for row in results :
		id = row[0]
		name = row[1]
		password = row[2]
		print(id,name,password)
except Exception as e:
	raise e
finally:
	db.close()	#關閉連線


9.pymongo (用mongodb儲存資料,不需要建表,不需關心表的結構)

pip3 install pymongo
>>> client = pymongo.MongoClient('localhost', 27017)
>>> db = client.test_database
>>> db = client['test-database']
>>> db = client.personmap
>>> collection = db.person
>>> collection.find()
<pymongo.cursor.Cursor object at 0x7fe80ab290f0>
>>> collection.find_one({'name':"01"})
{'_id': ObjectId('5a673abe6f4fd2195f89a40a'), 'age': 1.0, 'name': '01'}
db.person.insert({"name":"07","age":"3"})
ObjectId('5a683e1ea91935096798c2ad')
>>> collection.find_one({'name':"07"})
{'_id': ObjectId('5a683e1ea91935096798c2ad'), 'age': '3', 'name': '07'}


10.redis (分散式)

pip3 install redis
在 Ubuntu 系統安裝 Redi 可以使用以下命令:

$sudo apt-get update
$sudo apt-get install redis-server

啟動 Redis

$ redis-server

檢視 redis 是否啟動?

$ redis-cli

以上命令將開啟以下終端:

redis 127.0.0.1:6379>

127.0.0.1 是本機 IP ,6379 是 redis 服務埠。現在我們輸入 PING 命令。

redis 127.0.0.1:6379> ping
PONG

以上說明我們已經成功安裝了redis。

11.flask(Flask是一個使用 Python 編寫的輕量級 Web 應用框架。代理設定常用)

pip3 install flask
from flask import Flask
app = Flask(__name__)
@app.route("/")
def hello():    
    return "Hello World!"
 
if __name__ == "__main__":
    app.run()

$ python hello.py* Running on http://localhost:5000/

12.django(web伺服器框架,來做一個完整的網站)

Django是重量級選手中最有代表性的一位。許多成功的網站和APP都基於Django。採用了MT'V的框架模式,即模型M,模板T和檢視V。

pip3 install django

13.jupyter(記事本,線上除錯,線上執行,安裝的時候依賴庫比較多)

是一個互動式筆記本,支援執行 40 多種程式語言。Jupyter Notebook 的本質是一個 Web 應用程式,便於建立和共享文學化程式文件,支援實時程式碼,數學方程,視覺化和markdown。 用途包括:資料清理和轉換,數值模擬,統計建模,機器學習等等

pip3 install jupyter
jupyter notebook


這個列表包含與網頁抓取和資料處理的Python

網路

  • 通用
    • urllib -網路庫(stdlib)。
    • grab – 網路庫(基於pycurl)。
    • urllib3 – Python HTTP庫,安全連線池、支援檔案post、可用性高。
    • RoboBrowser – 一個簡單的、極具Python風格的Python庫,無需獨立的瀏覽器即可瀏覽網頁。
    • mechanize -有狀態、可程式設計的Web瀏覽庫。
    • socket – 底層網路介面(stdlib)。
    • Unirest for Python – Unirest是一套可用於多種語言的輕量級的HTTP庫。
    • hyper – Python的HTTP/2客戶端。
    • PySocks – SocksiPy更新並積極維護的版本,包括錯誤修復和一些其他的特徵。作為socket模組的直接替換。
  • 非同步
    • treq – 類似於requests的API(基於twisted)。
    • aiohttp – asyncio的HTTP客戶端/伺服器(PEP-3156)。

網路爬蟲框架

  • 功能齊全的爬蟲
    • grab – 網路爬蟲框架(基於pycurl/multicur)。
    • scrapy – 網路爬蟲框架(基於twisted),不支援Python3。
    • cola – 一個分散式爬蟲框架。
  • 其他
    • portia – 基於Scrapy的視覺化爬蟲。
    • restkit – Python的HTTP資源工具包。它可以讓你輕鬆地訪問HTTP資源,並圍繞它建立的物件。
    • demiurge – 基於PyQuery的爬蟲微框架。

HTML/XML解析器

  • 通用
    • lxml – C語言編寫高效HTML/ XML處理庫。支援XPath。
    • cssselect – 解析DOM樹和CSS選擇器。
    • pyquery – 解析DOM樹和jQuery選擇器。
    • BeautifulSoup – 低效HTML/ XML處理庫,純Python實現。
    • html5lib – 根據WHATWG規範生成HTML/ XML文件的DOM。該規範被用在現在所有的瀏覽器上。
    • feedparser – 解析RSS/ATOM feeds。
    • MarkupSafe – 為XML/HTML/XHTML提供了安全轉義的字串。
    • xmltodict – 一個可以讓你在處理XML時感覺像在處理JSON一樣的Python模組。
    • xhtml2pdf – 將HTML/CSS轉換為PDF。
    • untangle – 輕鬆實現將XML檔案轉換為Python物件。
  • 清理
    • Bleach – 清理HTML(需要html5lib)。
    • sanitize – 為混亂的資料世界帶來清明。

文字處理

用於解析和操作簡單文字的庫。

  • 通用
  • difflib – (Python標準庫)幫助進行差異化比較。
  • Levenshtein – 快速計算Levenshtein距離和字串相似度。
  • esmre – 正則表示式加速器。
  • ftfy – 自動整理Unicode文字,減少碎片化。
  • 轉換
  • unidecode – 將Unicode文字轉為ASCII。
  • 字元編碼
  • uniout – 列印可讀字元,而不是被轉義的字串。
  • chardet – 相容 Python的2/3的字元編碼器。
  • xpinyin – 一個將中國漢字轉為拼音的庫。
  • pangu.py – 格式化文字中CJK和字母數字的間距。
  • Slug化
  • awesome-slugify – 一個可以保留unicode的Python slugify庫。
  • python-slugify – 一個可以將Unicode轉為ASCII的Python slugify庫。
  • unicode-slugify – 一個可以將生成Unicode slugs的工具。
  • pytils – 處理俄語字串的簡單工具(包括pytils.translit.slugify)。
  • 通用解析器
  • PLY – lex和yacc解析工具的Python實現。
  • pyparsing – 一個通用框架的生成語法分析器。
  • 人的名字
  • 電話號碼
  • phonenumbers -解析,格式化,儲存和驗證國際電話號碼。
  • 使用者代理字串

特定格式檔案處理

解析和處理特定文字格式的庫。

  • 通用
  • tablib – 一個把資料匯出為XLS、CSV、JSON、YAML等格式的模組。
  • textract – 從各種檔案中提取文字,比如 Word、PowerPoint、PDF等。
  • rows – 一個常用資料介面,支援的格式很多(目前支援CSV,HTML,XLS,TXT – 將來還會提供更多!)。
  • Office
  • python-docx – 讀取,查詢和修改的Microsoft Word2007/2008的docx檔案。
  • xlwt / xlrd – 從Excel檔案讀取寫入資料和格式資訊。
  • XlsxWriter – 一個建立Excel.xlsx檔案的Python模組。
  • xlwings – 一個BSD許可的庫,可以很容易地在Excel中呼叫Python,反之亦然。
  • openpyxl – 一個用於讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM檔案的庫。
  • Marmir – 提取Python資料結構並將其轉換為電子表格。
  • PDF
  • PDFMiner – 一個從PDF文件中提取資訊的工具。
  • PyPDF2 – 一個能夠分割、合併和轉換PDF頁面的庫。
  • ReportLab – 允許快速建立豐富的PDF文件。
  • pdftables – 直接從PDF檔案中提取表格。
  • Markdown
  • Python-Markdown – 一個用Python實現的John Gruber的Markdown。
  • Mistune – 速度最快,功能全面的Markdown純Python解析器。
  • markdown2 – 一個完全用Python實現的快速的Markdown。
  • YAML
  • PyYAML – 一個Python的YAML解析器。
  • CSS
  • ATOM/RSS
  • SQL
  • sqlparse – 一個非驗證的SQL語句分析器。
  • HTTP
  • HTTP
  • http-parser – C語言實現的HTTP請求/響應訊息解析器。
  • 微格式
  • opengraph – 一個用來解析Open Graph協議標籤的Python模組。
  • 可移植的執行體
  • pefile – 一個多平臺的用於解析和處理可移植執行體(即PE)檔案的模組。
  • PSD
  • psd-tools – 將Adobe Photoshop PSD(即PE)檔案讀取到Python資料結構。

自然語言處理

處理人類語言問題的庫。

  • NLTK -編寫Python程式來處理人類語言資料的最好平臺。
  • Pattern – Python的網路挖掘模組。他有自然語言處理工具,機器學習以及其它。
  • TextBlob – 為深入自然語言處理任務提供了一致的API。是基於NLTK以及Pattern的巨人之肩上發展的。
  • jieba – 中文分詞工具。
  • loso – 另一箇中文分詞庫。
  • genius – 基於條件隨機域的中文分詞。
  • Korean – 一個韓文形態庫。
  • pymorphy2 – 俄語形態分析器(詞性標註+詞形變化引擎)。
  • PyPLN  – 用Python編寫的分散式自然語言處理通道。這個專案的目標是建立一種簡單的方法使用NLTK通過網路介面處理大語言庫。

瀏覽器自動化與模擬

  • selenium – 自動化真正的瀏覽器(Chrome瀏覽器,火狐瀏覽器,Opera瀏覽器,IE瀏覽器)。
  • Ghost.py – 對PyQt的webkit的封裝(需要PyQT)。
  • Spynner – 對PyQt的webkit的封裝(需要PyQT)。
  • Splinter – 通用API瀏覽器模擬器(selenium web驅動,Django客戶端,Zope)。

多重處理

  • threading – Python標準庫的執行緒執行。對於I/O密集型任務很有效。對於CPU繫結的任務沒用,因為python GIL。
  • celery – 基於分散式訊息傳遞的非同步任務佇列/作業佇列。
  • concurrent-futures – concurrent-futures 模組為呼叫非同步執行提供了一個高層次的介面。

非同步

非同步網路程式設計庫

  • asyncio – (在Python 3.4 +版本以上的 Python標準庫)非同步I/O,時間迴圈,協同程式和任務。
  • Twisted – 基於事件驅動的網路引擎框架。
  • Tornado – 一個網路框架和非同步網路庫。
  • pulsar – Python事件驅動的併發框架。
  • diesel – Python的基於綠色事件的I/O框架。
  • gevent – 一個使用greenlet 的基於協程的Python網路庫。
  • eventlet – 有WSGI支援的非同步框架。
  • Tomorrow – 非同步程式碼的奇妙的修飾語法。

佇列

  • celery – 基於分散式訊息傳遞的非同步任務佇列/作業佇列。
  • huey – 小型多執行緒任務佇列。
  • mrq – Mr. Queue – 使用redis & Gevent 的Python分散式工作任務佇列。
  • RQ – 基於Redis的輕量級任務佇列管理器。
  • simpleq – 一個簡單的,可無限擴充套件,基於Amazon SQS的佇列。

雲端計算

  • picloud – 雲端執行Python程式碼。
  • dominoup.com – 雲端執行R,Python和matlab程式碼。

電子郵件

電子郵件解析庫

  • flanker – 電子郵件地址和Mime解析庫。
  • Talon – Mailgun庫用於提取訊息的報價和簽名。

網址和網路地址操作

解析/修改網址和網路地址庫。

  • URL
    • furl – 一個小的Python庫,使得操縱URL簡單化。
    • purl – 一個簡單的不可改變的URL以及一個乾淨的用於除錯和操作的API。
    • urllib.parse – 用於打破統一資源定位器(URL)的字串在元件(定址方案,網路位置,路徑等)之間的隔斷,為了結合元件到一個URL字串,並將“相對URL”轉化為一個絕對URL,稱之為“基本URL”。
    • tldextract – 從URL的註冊域和子域中準確分離TLD,使用公共字尾列表。
  • 網路地址
    • netaddr – 用於顯示和操縱網路地址的Python庫。

網頁內容提取

提取網頁內容的庫。

  • HTML頁面的文字和元資料
    • newspaper – 用Python進行新聞提取、文章提取和內容策展。
    • html2text – 將HTML轉為Markdown格式文字。
    • lassie – 人性化的網頁內容檢索工具
    • micawber – 一個從網址中提取豐富內容的小庫。
    • sumy -一個自動彙總文字檔案和HTML網頁的模組
    • Haul – 一個可擴充套件的影象爬蟲。
    • python-readability – arc90 readability工具的快速Python介面。
    • scrapely – 從HTML網頁中提取結構化資料的庫。給出了一些Web頁面和資料提取的示例,scrapely為所有類似的網頁構建一個分析器。
  • 視訊
    • youtube-dl – 一個從YouTube下載視訊的小命令列程式。
    • you-get – Python3的YouTube、優酷/ Niconico視訊下載器。
  • 維基
    • WikiTeam – 下載和儲存wikis的工具。

WebSocket

用於WebSocket的庫。

  • Crossbar – 開源的應用訊息傳遞路由器(Python實現的用於Autobahn的WebSocket和WAMP)。
  • AutobahnPython – 提供了WebSocket協議和WAMP協議的Python實現並且開源。
  • WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和伺服器庫。

DNS解析

  • dnsyo – 在全球超過1500個的DNS伺服器上檢查你的DNS。
  • pycares – c-ares的介面。c-ares是進行DNS請求和非同步名稱決議的C語言庫。

計算機視覺

  • OpenCV – 開源計算機視覺庫。
  • SimpleCV – 用於照相機、影象處理、特徵提取、格式轉換的簡介,可讀性強的介面(基於OpenCV)。
  • mahotas – 快速計算機影象處理演算法(完全使用 C++ 實現),完全基於 numpy 的陣列作為它的資料型別。

代理伺服器

  • shadowsocks – 一個快速隧道代理,可幫你穿透防火牆(支援TCP和UDP,TFO,多使用者和平滑重啟,目的IP黑名單)。
  • tproxy – tproxy是一個簡單的TCP路由代理(第7層),基於Gevent,用Python進行配置。

其他Python工具列表


網路

  • 通用
    • urllib -網路庫(stdlib)。
    • grab – 網路庫(基於pycurl)。
    • urllib3 – Python HTTP庫,安全連線池、支援檔案post、可用性高。
    • RoboBrowser – 一個簡單的、極具Python風格的Python庫,無需獨立的瀏覽器即可瀏覽網頁。
    • mechanize -有狀態、可程式設計的Web瀏覽庫。
    • socket – 底層網路介面(stdlib)。
    • Unirest for Python – Unirest是一套可用於多種語言的輕量級的HTTP庫。
    • hyper – Python的HTTP/2客戶端。
    • PySocks – SocksiPy更新並積極維護的版本,包括錯誤修復和一些其他的特徵。作為socket模組的直接替換。
  • 非同步
    • treq – 類似於requests的API(基於twisted)。
    • aiohttp – asyncio的HTTP客戶端/伺服器(PEP-3156)。

網路爬蟲框架

  • 功能齊全的爬蟲
    • grab – 網路爬蟲框架(基於pycurl/multicur)。
    • scrapy – 網路爬蟲框架(基於twisted),不支援Python3。
    • cola – 一個分散式爬蟲框架。
  • 其他
    • portia – 基於Scrapy的視覺化爬蟲。
    • restkit – Python的HTTP資源工具包。它可以讓你輕鬆地訪問HTTP資源,並圍繞它建立的物件。
    • demiurge – 基於PyQuery的爬蟲微框架。

HTML/XML解析器

  • 通用
    • lxml – C語言編寫高效HTML/ XML處理庫。支援XPath。
    • cssselect – 解析DOM樹和CSS選擇器。
    • pyquery – 解析DOM樹和jQuery選擇器。
    • BeautifulSoup – 低效HTML/ XML處理庫,純Python實現。
    • html5lib – 根據WHATWG規範生成HTML/ XML文件的DOM。該規範被用在現在所有的瀏覽器上。
    • feedparser – 解析RSS/ATOM feeds。
    • MarkupSafe – 為XML/HTML/XHTML提供了安全轉義的字串。
    • xmltodict – 一個可以讓你在處理XML時感覺像在處理JSON一樣的Python模組。
    • xhtml2pdf – 將HTML/CSS轉換為PDF。
    • untangle – 輕鬆實現將XML檔案轉換為Python物件。
  • 清理
    • Bleach – 清理HTML(需要html5lib)。
    • sanitize – 為混亂的資料世界帶來清明。

文字處理

用於解析和操作簡單文字的庫。

  • 通用
  • difflib – (Python標準庫)幫助進行差異化比較。
  • Levenshtein – 快速計算Levenshtein距離和字串相似度。
  • esmre – 正則表示式加速器。
  • ftfy – 自動整理Unicode文字,減少碎片化。
  • 轉換
  • unidecode – 將Unicode文字轉為ASCII。
  • 字元編碼
  • uniout – 列印可讀字元,而不是被轉義的字串。
  • chardet – 相容 Python的2/3的字元編碼器。
  • xpinyin – 一個將中國漢字轉為拼音的庫。
  • pangu.py – 格式化文字中CJK和字母數字的間距。
  • Slug化
  • awesome-slugify – 一個可以保留unicode的Python slugify庫。
  • python-slugify – 一個可以將Unicode轉為ASCII的Python slugify庫。
  • unicode-slugify – 一個可以將生成Unicode slugs的工具。
  • pytils – 處理俄語字串的簡單工具(包括pytils.translit.slugify)。
  • 通用解析器
  • PLY – lex和yacc解析工具的Python實現。
  • pyparsing – 一個通用框架的生成語法分析器。
  • 人的名字
  • 電話號碼
  • phonenumbers -解析,格式化,儲存和驗證國際電話號碼。
  • 使用者代理字串

特定格式檔案處理

解析和處理特定文字格式的庫。

  • 通用
  • tablib – 一個把資料匯出為XLS、CSV、JSON、YAML等格式的模組。
  • textract – 從各種檔案中提取文字,比如 Word、PowerPoint、PDF等。
  • rows – 一個常用資料介面,支援的格式很多(目前支援CSV,HTML,XLS,TXT – 將來還會提供更多!)。
  • Office
  • python-docx – 讀取,查詢和修改的Microsoft Word2007/2008的docx檔案。
  • xlwt / xlrd – 從Excel檔案讀取寫入資料和格式資訊。
  • XlsxWriter – 一個建立Excel.xlsx檔案的Python模組。
  • xlwings – 一個BSD許可的庫,可以很容易地在Excel中呼叫Python,反之亦然。
  • openpyxl – 一個用於讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM檔案的庫。
  • Marmir – 提取Python資料結構並將其轉換為電子表格。
  • PDF
  • PDFMiner – 一個從PDF文件中提取資訊的工具。
  • PyPDF2 – 一個能夠分割、合併和轉換PDF頁面的庫。
  • ReportLab – 允許快速建立豐富的PDF文件。
  • pdftables – 直接從PDF檔案中提取表格。
  • Markdown
  • Python-Markdown – 一個用Python實現的John Gruber的Markdown。
  • Mistune – 速度最快,功能全面的Markdown純Python解析器。
  • markdown2 – 一個完全用Python實現的快速的Markdown。
  • YAML
  • PyYAML – 一個Python的YAML解析器。
  • CSS
  • ATOM/RSS
  • SQL
  • sqlparse – 一個非驗證的SQL語句分析器。
  • HTTP
  • HTTP
  • http-parser – C語言實現的HTTP請求/響應訊息解析器。
  • 微格式
  • opengraph – 一個用來解析Open Graph協議標籤的Python模組。
  • 可移植的執行體
  • pefile – 一個多平臺的用於解析和處理可移植執行體(即PE)檔案的模組。
  • PSD
  • psd-tools – 將Adobe Photoshop PSD(即PE)檔案讀取到Python資料結構。

自然語言處理

處理人類語言問題的庫。

  • NLTK -編寫Python程式來處理人類語言資料的最好平臺。
  • Pattern – Python的網路挖掘模組。他有自然語言處理工具,機器學習以及其它。
  • TextBlob – 為深入自然語言處理任務提供了一致的API。是基於NLTK以及Pattern的巨人之肩上發展的。
  • jieba – 中文分詞工具。
  • loso – 另一箇中文分詞庫。
  • genius – 基於條件隨機域的中文分詞。
  • Korean – 一個韓文形態庫。
  • pymorphy2 – 俄語形態分析器(詞性標註+詞形變化引擎)。
  • PyPLN  – 用Python編寫的分散式自然語言處理通道。這個專案的目標是建立一種簡單的方法使用NLTK通過網路介面處理大語言庫。

瀏覽器自動化與模擬

  • selenium – 自動化真正的瀏覽器(Chrome瀏覽器,火狐瀏覽器,Opera瀏覽器,IE瀏覽器)。
  • Ghost.py – 對PyQt的webkit的封裝(需要PyQT)。
  • Spynner – 對PyQt的webkit的封裝(需要PyQT)。
  • Splinter – 通用API瀏覽器模擬器(selenium web驅動,Django客戶端,Zope)。

多重處理

  • threading – Python標準庫的執行緒執行。對於I/O密集型任務很有效。對於CPU繫結的任務沒用,因為python GIL。
  • celery – 基於分散式訊息傳遞的非同步任務佇列/作業佇列。
  • concurrent-futures – concurrent-futures 模組為呼叫非同步執行提供了一個高層次的介面。

非同步

非同步網路程式設計庫

  • asyncio – (在Python 3.4 +版本以上的 Python標準庫)非同步I/O,時間迴圈,協同程式和任務。
  • Twisted – 基於事件驅動的網路引擎框架。
  • Tornado – 一個網路框架和非同步網路庫。
  • pulsar – Python事件驅動的併發框架。
  • diesel – Python的基於綠色事件的I/O框架。
  • gevent – 一個使用greenlet 的基於協程的Python網路庫。
  • eventlet – 有WSGI支援的非同步框架。
  • Tomorrow – 非同步程式碼的奇妙的修飾語法。

佇列

  • celery – 基於分散式訊息傳遞的非同步任務佇列/作業佇列。
  • huey – 小型多執行緒任務佇列。
  • mrq – Mr. Queue – 使用redis & Gevent 的Python分散式工作任務佇列。
  • RQ – 基於Redis的輕量級任務佇列管理器。
  • simpleq – 一個簡單的,可無限擴充套件,基於Amazon SQS的佇列。

雲端計算

  • picloud – 雲端執行Python程式碼。
  • dominoup.com – 雲端執行R,Python和matlab程式碼。

電子郵件

電子郵件解析庫

  • flanker – 電子郵件地址和Mime解析庫。
  • Talon – Mailgun庫用於提取訊息的報價和簽名。

網址和網路地址操作

解析/修改網址和網路地址庫。

  • URL
    • furl – 一個小的Python庫,使得操縱URL簡單化。
    • purl – 一個簡單的不可改變的URL以及一個乾淨的用於除錯和操作的API。
    • urllib.parse – 用於打破統一資源定位器(URL)的字串在元件(定址方案,網路位置,路徑等)之間的隔斷,為了結合元件到一個URL字串,並將“相對URL”轉化為一個絕對URL,稱之為“基本URL”。
    • tldextract – 從URL的註冊域和子域中準確分離TLD,使用公共字尾列表。
  • 網路地址
    • netaddr – 用於顯示和操縱網路地址的Python庫。

網頁內容提取

提取網頁內容的庫。

  • HTML頁面的文字和元資料
    • newspaper – 用Python進行新聞提取、文章提取和內容策展。
    • html2text – 將HTML轉為Markdown格式文字。
    • lassie – 人性化的網頁內容檢索工具
    • micawber – 一個從網址中提取豐富內容的小庫。
    • sumy -一個自動彙總文字檔案和HTML網頁的模組
    • Haul – 一個可擴充套件的影象爬蟲。
    • python-readability – arc90 readability工具的快速Python介面。
    • scrapely – 從HTML網頁中提取結構化資料的庫。給出了一些Web頁面和資料提取的示例,scrapely為所有類似的網頁構建一個分析器。
  • 視訊
    • youtube-dl – 一個從YouTube下載視訊的小命令列程式。
    • you-get – Python3的YouTube、優酷/ Niconico視訊下載器。
  • 維基
    • WikiTeam – 下載和儲存wikis的工具。

WebSocket

用於WebSocket的庫。

  • Crossbar – 開源的應用訊息傳遞路由器(Python實現的用於Autobahn的WebSocket和WAMP)。
  • AutobahnPython – 提供了WebSocket協議和WAMP協議的Python實現並且開源。
  • WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和伺服器庫。

DNS解析

  • dnsyo – 在全球超過1500個的DNS伺服器上檢查你的DNS。
  • pycares – c-ares的介面。c-ares是進行DNS請求和非同步名稱決議的C語言庫。

計算機視覺

  • OpenCV – 開源計算機視覺庫。
  • SimpleCV – 用於照相機、影象處理、特徵提取、格式轉換的簡介,可讀性強的介面(基於OpenCV)。
  • mahotas – 快速計算機影象處理演算法(完全使用 C++ 實現),完全基於 numpy 的陣列作為它的資料型別。

代理伺服器

  • shadowsocks – 一個快速隧道代理,可幫你穿透防火牆(支援TCP和UDP,TFO,多使用者和平滑重啟,目的IP黑名單)。
  • tproxy – tproxy是一個簡單的TCP路由代理(第7層),基於Gevent,用Python進行配置。

其他Python工具列表