PMSelf 独立站长

标签： 爬虫工具

  • 史上最全 Python 爬虫工具列表大全，建议收藏

    史上最全 Python 爬虫工具列表大全，建议收藏

    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 – 将来还会提供更多！）。
    • Office
    • python-docx – 读取，查询和修改的Microsoft Word2007/2008的docx文件。
    • xlwt / xlrd – 从Excel文件读取写入数据和格式信息。
    • XlsxWriter – 一个创建Excel.xlsx文件的Python模块。
    • xlwings – 一个BSD许可的库，可以很容易地在Excel中调用Python，反之亦然。
    • openpyxl – 一个用于读取和写入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的库。
    • Marmir – 提取Python数据结构并将其转换为电子表格。
    • PDF
    • PDFMiner – 一个从PDF文档中提取信息的工具。
    • PyPDF2 – 一个能够分割、合并和转换PDF页面的库。
    • ReportLab – 允许快速创建丰富的PDF文档。
    • pdftables – 直接从PDF文件中提取表格。
    • 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 – 一个非验证的SQL语句分析器。
    • HTTP
    • HTTP
    • http-parser – C语言实现的HTTP请求/响应消息解析器。
    • 微格式
    • 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

    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最好平台。
    • 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。
    • 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。

    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）。

    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。

    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。

    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 – 云端执行Python代码。
    • http://dominoup.com – 云端执行R，Python和matlab代码。

    电子邮件

    电子邮件解析库

    • 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。

    网址和网络地址操作

    解析/修改网址和网络地址库。

    • 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”。
      • tldextract – 从URL的注册域和子域中准确分离TLD，使用公共后缀列表。
    • 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

    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
      • 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。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。
    • 视频
      • 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。
    • 维基
      • WikiTeam – 下载和保存wikis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 – 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。

    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。

    其他Python工具列表

    • awesome-python
    • pycrumbs
    • python-github-projects
    • python_reference
    • pythonidae
  • wp-autopost-pro数据采集器爬虫工具WORDPRESS插件下载

    wp-autopost-pro数据采集器爬虫工具WORDPRESS插件下载

    WordPress目前最新版本已经到了WP 5.3.2 , 我第一时间尝试了，然后也更新了本采集插件，亲自测试，目前完美运行于最新的版本，请放心使用。WP-AutoPost-Pro 是一款优秀的 WordPress 文章采集器，是您操作站群，让网站自动更新内容的利器！如果是新手，请查看采集教程：http://wp-autopost.net/zh/manual/

    网盘包含wp-autopost-pro 3.6.2、wp-autopost-pro 3.7.8版本

    采集插件适用对象

    • 1、刚建的wordpress站点内容比较少，希望尽快有比较丰富的内容；
    • 2、热点内容自动采集并自动发布；
    • 3、定时采集，手动采集发布或保存到草稿；
    • 4、css样式规则，能更精确的采集需要的内容。
    • 5、伪原创与翻译、代理IP进行采集、保存Cookie记录；
    • 6、可采集内容到自定义栏目
    • 7、解决部分用户使用3.6.1版本导致整站后台与前台卡顿的问题！
    • —-此版本与官方的功能没有任何区别；

    WP-AutoPost Pro 在采集方面有什么优势？

    一、安装方便，全自动采集，实现无人值守

    WP-AutoPost 可以直接在后台插件面板上传安装，只需要点击几下，就可以激活使用。激活后，你可以看到 WP-AutoPost 的管理面板被集成在了左侧，各种采集规则设置一目了然，即便是 WordPress 新手也能很快上手。等到配置完采集规则后，即可以开启任务，WP-AutoPost 会自动采集好目标站的内容，自动发布到你的网站里。

    二、采集规则配置简单，支持通配符和 CSS，完美支持 WordPress 各种功能

    相比于火车头采集器的繁琐规则，WP-AutoPost Pro 真正做到了人性化，它的定向采集只需要提供文章列表 URL 即可智能采集来自于任何网站或栏目的内容。支持采集标题，正文，可自动设置分类目录、标签、摘要、特色图片，支持自定义栏目、自定义文章类型等。

    三、中英文翻译，伪原创的支持

    相信很多站长有伪原创这方面的需求，来迎合搜索引擎的喜好。WP-AutoPost Pro 巧妙的内置了各种伪原创工具，支持百度翻译（需要配置接口），也支持国外最优秀伪原创工具 WordAi，Spin Rewriter 等。
    四、支持图片等附件下载，支持添加水印，支持 Flick、七牛云等第三方图片存储

    WP-AutoPost Pro 还有个令人称赞的地方是支持远程图片下载到本地服务器，也可以下载到像 Flick、七牛云等第三方图片存储，并且可以为图片加上水印（文本水印和图片水印）。

    五、强大的 SEO 设置选项

    像火车头一样，WP-AutoPost 采集插件也支持 HTML 标签过滤，关键词替换，自动添加链接，添加自定义内容，自定义文章样式等，最大限度得使采集的内容区别于原网站的内容，利于搜索引擎排名。

    附加：

    WP-AutoPost Pro V3.6.2版本

    特别说明：

    • 1. 本插件是基于 WP-AutoPost Pro对应版本破解修复版，耗费了店主的大量时间与精力。
    • 2.本版本主要修复了：规则正确后采集找不到文章内容和标题（采集整版二次验证问题），翻译功能无法使用的问题。
    • 3.不要说买完用不了(不提供技术支持，插件官网有教程)，建议有基础知识的朋友购买。

    下面wp-autopost-pro采集测试