Python 爬虫的工具列表大全

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。

• 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