干货 | Python 爬虫的工具列表大全

源 | 伯乐头条  | 小象

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。

• 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