156个Python网络爬虫资源，妈妈再也不用担心你找不到资源！-36大数据

36大数据 • 7年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

作者：lrong

本列表包含Python网页抓取和数据处理相关的库。

网络相关

通用
urllib – 网络库(标准库)
requests – 网络库
grab – 网络库(基于pycurl)
pycurl – 网络库 (与 libcurl 绑定)
urllib3 – 具有线程安全连接池、文件psot支持、高可用的Python HTTP库
httplib2 – 网络库
RoboBrowser – 一个无需独立浏览器即可访问网页的简单、pythonic的库
MechanicalSoup – 能完成自动网站交互的Python库
mechanize – 有状态、可编程的网页浏览库。
socket – 底层网络接口(标准库)
Unirest for Python – 一套支持多种语言的轻量级HTTP库
hyper – Python HTTP/2客户端
PySocks – SocksiPy持续更新并维护的版本，指出bug修复和一些其他功能，可以作为socket模块的替代品
异步
treq – 基于twisted、与requests类似的API
aiohttp – asyncio的HTTP客户端/服务器 (PEP-3156)

网络爬虫框架

全能型爬虫
grab – 网络爬虫框架(基于pycurl/multicurl)
scrapy – 网络爬虫框架(基于twisted)
pyspider – 一个强力的爬虫系统
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资源库。允许影虎简单的访问HTTP资源并用来创建项目
demiurge – 基于PyQuery的微型爬虫框架

HTML/XML解析

通用
lxml – 高效的HTML/XML处理库。支持XPATH，用C语言写成
cssselect – 解析DOM树和css选择器
pyquery – 解析DOM树和jQuery选择器
BeautifulSoup – Python写成的低效HTML/XMl处理库
html5lib – 根据WHATWG规范生成HTML/ XML文档的DOM。WHATWG规范是现在浏览器的通行规范
feedparser – 解析RSS/ATOM信息流
MarkupSafe – Python的XML/HTML/XHTML安全转义字符串工具
xmltodict – 让你处理XML如同处理JSON一样
xhtml2pdf – HTML/CSS to PDF转化器
untangle – 讲XML文档转化为Python项目以简化处理难度
hodor – 支持lxml and cssselect的配置驱动包装工具
清理
Bleach – 清理HTML (需求html5lib)
sanitize – 将混乱的数据世界恢复清楚

文本处理

解析及操作文本的库

通用
difflib – 差异化计算工具(Python标准库)
Levenshtein – 快速计算编辑距离及字符串相似度
fuzzywuzzy – 模糊字符串比匹配
esmre – 正则表达式加速器.
ftfy – 将Unicode文本自动整理减少碎片化
转换
unidecode – Unicode转化为ASCII文本
字符编码
uniout – 将转移字符串输出为可读形式
chardet – Python 2/3兼容字符编码检测器
xpinyin – 讲汉字转为拼音的库
pangu.py – CJK及字母数字文本间距格式化
Slug化
awesome-slugify – 可保留Unicode的Python slugify库
python-slugify – 讲Unicode转为ASCII的Python slugify库
unicode-slugify – unicode slugs生成工具
pytils – 处理俄语字符串的小工具(包含pytils.translit.slugify)
通用解析器
PLY – Python lex和yacc解析工具
pyparsing – 用于生成解析器的通用框架
人名
python-nameparser – 姓名解析组件
电话号码
phonenumbers – 处理、格式化、存储、验证全球电话号码
用户代理字符串
python-user-agents – 浏览器用户代理解析器
HTTP Agent Parser – Python HTTP代理解析器
fake-useragent – 基于全球浏览器统计的Python用户代理欺骗器
user_agent – 用户代理数据生成器

特殊格式处理

处理特编辑特殊字符格式的库

通用
tablib – 处理XLS, CSV, JSON, YAML等表格数据的库
textract – 从任何文档中提取文本，支持Word, PowerPoint, PDF等
messytables – 杂乱的表格数据解析
rows – 支持多种格式的通用且美观的表格数据处理器(现有CSV, HTML, XLS, TXT — 即将支持更多)
Office
python-docx – 阅读，查询和修改Microsoft Word 2007/2008 docx文件
xlwt / xlrd – 从Excel读取及写入数据和格式化信息
XlsxWriter – 用于穿件Excel .xlsx文件的Python模块
xlwings – 一个BSD许可的库，是Excel与Python互相调用更加简单
openpyxl – 可读取、编辑Excel 2010xlsx/xlsm/xltx/xltm文件的库
Marmir – 提取Python数据结构并将其转化为表格的库
PDF
PDFMiner – 从PDF文档中提取信息的工具
PyPDF2 – 一个分割、合并、转换PDF文件的库
ReportLab – 可以快速创建大量PDF文档
pdftables – 从PDF文件中精准提取表格
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 – 一个无验证的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
Microformats
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

自然语言处理库

NLTK – Python自然语言处理领先者
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 – 为深入处理自然语言的项目提供API，参考了NLTK及其他
jieba – 中文分词
SnowNLP – 汉字文本处理库
loso – 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 – 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
langdetect – Python的谷歌语言检测库端口

浏览器自动化与仿真

浏览器
selenium – 自动化真实浏览器(Chrome, Firefox, Opera, IE)
Ghost.py – QtWebKit封装(需求PyQT)
Spynner – 具备AJAX支持的程序化网页浏览模块
Splinter – 通用API浏览器模拟器（selenium web驱动，Django客户端，Zope）
Headless工具
xvfbwrapper – 用于在X虚拟帧缓冲区（Xvfb）中运行显示的Python包装器

多进程并发

threading – Python标准库的多线程运行。因为python GIL限制，对于I/O密集型任务很有效，对于CPU绑定的任务没用
multiprocessing – 多进程标准库
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模块提供用于异步执行callable的高级接口

异步

异步网络编程库

asyncio – 异步I/O，时间循环，协同程序和任务(Python 3.4以上版本的Python标准库)
Twisted – 基于事件驱动的网络引擎框架
Tornado – 一个Web框架及异步网络库
pulsar – Python事件驱动的并发框架
diesel – Python的基于Greenlet的I/O框架
gevent – 一个基于协同程序的Python网络库，使用greenlet
eventlet – 有WSGI支持的异步框架
Tomorrow – 异步代码的魔法

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 – 在云端执行Python
dominoup.com – 在云端执行R, Python及matlab代码

电子邮件

电子邮件处理库

flanker – 电子邮件及MIME处理库
Talon – Mailgun库用于提取消息的报价和签名

URL和网络地址操作

URL和网络地址操作库

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”（标准库）
tldextract – 使用公共后缀列表从URL的注册域和子域中准确分离TLD
网络地址
netaddr – 用于显示和操纵网络地址的Python库