lining0806/PythonSpiderNotes：Python入门网络爬虫知识汇总

duoergun0729/nlp是兜哥出品的一本开源NLP入门书籍。项目包含多种NLP相关内容，如NLP基础知识、应用案例等文件。它在Github编写和更新，克服传统书籍更新慢的缺点，采用开源思路方便更新勘误，已完成三篇且持续更新，基于Python语言，涉及多种NLP技术，为NLP入门者提供很好资源。

python-api-tesing是一个python测试开发库的中文版项目，一直在持续更新并且提供相关书籍下载。项目内容涵盖WebUI测试、移动测试、性能测试等不同类型测试，包含众多测试框架、Mock工具等，还涉及数据库操作、数据验证、数据可视化等众多技术领域相关资源，为python测试开发人员提供了全面的参考资源。

copyBook项目通过python3.6环境下的scrapy爬虫框架爬取小说网站的数据，如书名、作者等多类信息，存储于sqlite数据库。之后借助Django web框架和bootstrap构建包含主页、详情页等页面的小说网站。此项目完整展示了从数据获取到网站构建的流程，是一个很有参考价值的项目。

Docling是一个能够轻松快速解析文档并导出为所需格式的项目。它可以处理多种流行文档格式，如PDF、DOCX等，能导出为HTML、Markdown和JSON等格式。具有高级PDF文档理解能力，包括页面布局等，还能与其他框架集成用于RAG/QA应用，支持OCR，有CLI，有丰富的示例和详细的文档，是一个非常实用的文档处理工具。

PSpider是一个用Python编写的网络爬虫框架，需要Python3.8及以上版本。它支持多线程爬取模式，支持使用代理进行爬取，还定义了实用的函数和类。框架分为几个模块，各有其功能。代码行数较少，易于阅读、理解和扩展。欢迎对该项目感兴趣的朋友留言讨论。

jieba是一个优秀的Python中文分词组件。它支持精确、全、搜索引擎、paddle等多种分词模式，可满足不同需求。还具备词性标注、自定义词典、关键词提取等功能，并且基于高效的算法实现。在多种自然语言处理任务中有广泛应用，同时有多种其他语言的实现版本，适合开发人员在不同场景下进行中文文本处理。