Python 爬虫的工具列表
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。
[*]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
[*]全能程序员交流QQ群290551701，聚集很多互联网精英,技术总监,架构师,项目经理!开源技术研究,欢迎业内人士,大牛及新手有志于从事IT行业人员进入!
页:
[1]