【收藏】Python 爬虫的工具列表大全

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。

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。

cssutils – 一个Python的CSS库。

ATOM/RSS

feedparser – 通用的feed解析器。

sqlparse – 一个非验证的SQL语句分析器。

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。
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。