好程序员Python培训分享Python爬虫工具列表大全

　　好程序员Python 培训分享 Python 爬虫工具列表大全， 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。

　　 http://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