python网络爬虫方向的第三方库有哪些

爬虫方向第三方库：1、urllib3，一个Python HTTP库，安全连接池、支持文件post、可用性高；2、MechanicalSoup，一个与网站自动交互Python库；3、grab，一个基于pycurl/multicur的网络爬虫框架；4、portia，一个基于Scrapy的可视化爬虫库；5、Tornado，一个网络框架和异步网络库；6、scrapy，一个网络爬虫框架。

本教程操作环境：windows7系统、Python3、Dell G3电脑。

这个列表包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，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更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。
• 异步
  • treq – 类似于requests的API（基于twisted）。
  • aiohttp – asyncio的HTTP客户端/服务器(PEP-3156)。

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），不支持Python3。
  • pyspider – 一个强大的爬虫系统。
  • 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。

HTML/XML解析器

• 通用
  • 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。
• 清理
  • Bleach – 清理HTML（需要html5lib）。
  • sanitize – 为混乱的数据世界带来清明。

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。

• 转换

• unidecode – 将Unicode文本转为ASCII。

• 字符编码

• uniout – 打印可读字符，而不是被转义的字符串。

• 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 – 一个可以保留unicode的Python slugify库。

• python-slugify – 一个可以将Unicode转为ASCII的Python slugify库。

• unicode-slugify – 一个可以将生成Unicode slugs的工具。

• pytils – 处理俄语字符串的简单工具（包括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，存储和验证国际电话号码。

• 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。

特定格式文件处理

解析和处理特定文本格式的库。

• 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