对python开源技术开发的相关了解

对python开源技术开发的相关了解

python开源是一项十分值得开发的项目，只有开源，才会使更多的人进行相关的技术弥补，使python开源在开发的过程中有所不断的创新使你在开源的项目中发现更多的信息技术。

1、用python来做一个蜘蛛程序抓取网页，有了urllib库，真是太简单了。另外网页的解析也有相应的库sgmllib可以使用。不过还不知道python的sgmllib有没有类似 Jtidy 的规范html代码的能，或者是有另外的库来干这事。

比较有名气的：

Harvest Man------http://code.google.com/p/harvestman-crawler/

HarvestMan is a modular, extensible and flexible web crawler program cum framework written in pure Python. HarvestMan can be used to download files from websites according to a number of customized rules and constraints. It can be used to find information from websites matching keywords or regular expressions.

The final goal of the project is to develop a full-fledged semantic personal data mining platform which can be used to retrieve information from the Internet in a highly customizable manner, so that one can fetch information from the web the way he wants it, when he wants it. For this, HarvestMan project will provide support for Web 2.0 and 3.0 technologies such as RSS, RDF, OWL etc. 这个目标还真是大啊，要是真的可以做到那就真是牛逼。）

另外，还有一些小的项目，用Google code或者 sourceforge.net搜索，就可以找到。

2、对pdf文件的操作，C++,c#和java都有一些python开源的类库可以使用。比如：pdflib,itext,pdfclown,pdfbox他们可以实现pdf文件的解析，并实现pdf与rtf html xml等格式之间的相互转换。

今天发现了一个可以操作pdf的python库： pdfminer.

不知道有没有其他的库。希望高手补充。

3、有了pdf的操作库，可以轻松实现对pdf文件内容的有目的的抽取。

关于Python开源的开放协作组织,介绍Python语言的技术知识和使用,在中国进行python 开源的应用/推广/学习…,分享Python体验知识，经验，技巧。