python開源是一項十分值得開發的項目，只有開源，才會使更多的人進行相關的技術彌補，使python開源在開發的過程中有所不斷的創新使你在開源的項目中發現更多的信息技術。

1、用python來做一個蜘蛛程序抓取網頁，有了urllib庫，真是太簡單了。另外網頁的解析也有相應的庫sgmllib可以使用。不過還不知道python的sgmllib有沒有類似 Jtidy 的規范html代碼的能，或者是有另外的庫來干這事。

比較有名氣的：

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. （這個目標還真是大啊，要是真的可以做到那就真是牛逼。）

另外，還有一些小的項目，用Google code或者 sourceforge.net搜索，就可以找到。

2、對pdf文件的操作，C++,c#和java都有一些python開源的類庫可以使用。比如：pdflib,itext,pdfclown,pdfbox他們可以實現pdf文件的解析，并實現pdf與rtf html xml等格式之間的相互轉換。

今天發現了一個可以操作pdf的python庫： pdfminer.

不知道有沒有其他的庫。希望高手補充。

3、有了pdf的操作庫，可以輕松實現對pdf文件內容的有目的的抽取。

關于Python開源的開放協作組織,介紹Python語言的技術知識和使用,在中國進行python 開源的應用/推廣/學習…,分享Python體驗知識，經驗，技巧。