乾貨 | 史上最全的 Python 爬蟲工具串列大全-知識星球

來源：伯樂線上

這個串列包含與網頁抓取和資料處理的Python庫。

網路

通用

urllib -網路庫(stdlib)。
requests -網路庫。
grab – 網路庫（基於pycurl）。
pycurl – 網路庫（系結libcurl）。
urllib3 – Python HTTP庫，安全連線池、支援檔案post、可用性高。
httplib2 – 網路庫。
RoboBrowser – 一個簡單的、極具Python風格的Python庫，無需獨立的瀏覽器即可瀏覽網頁。
MechanicalSoup -一個與網站自動互動Python庫。
mechanize -有狀態、可程式設計的Web瀏覽庫。
socket – 底層網路介面(stdlib)。
Unirest for Python – Unirest是一套可用於多種語言的輕量級的HTTP庫。
hyper – Python的HTTP/2客戶端。
PySocks – SocksiPy更新並積極維護的版本，包括錯誤修複和一些其他的特徵。作為socket模組的直接替換。

非同步

treq – 類似於requests的API（基於twisted）。
aiohttp – asyncio的HTTP客戶端/伺服器(PEP-3156)。

網路爬蟲框架

功能齊全的爬蟲

grab – 網路爬蟲框架（基於pycurl/multicur）。
scrapy – 網路爬蟲框架（基於twisted），不支援Python3。
pyspider – 一個強大的爬蟲系統。
cola – 一個分散式爬蟲框架。

其他

portia – 基於Scrapy的視覺化爬蟲。
restkit – Python的HTTP資源工具包。它可以讓你輕鬆地訪問HTTP資源，並圍繞它建立的物件。
demiurge – 基於PyQuery的爬蟲微框架。

HTML/XML解析器

通用

lxml – C語言編寫高效HTML/ XML處理庫。支援XPath。
cssselect – 解析DOM樹和CSS選擇器。
pyquery – 解析DOM樹和jQuery選擇器。
BeautifulSoup – 低效HTML/ XML處理庫，純Python實現。
html5lib – 根據WHATWG規範生成HTML/ XML檔案的DOM。該規範被用在現在所有的瀏覽器上。
feedparser – 解析RSS/ATOM feeds。
MarkupSafe – 為XML/HTML/XHTML提供了安全轉義的字串。
xmltodict – 一個可以讓你在處理XML時感覺像在處理JSON一樣的Python模組。
xhtml2pdf – 將HTML/CSS轉換為PDF。
untangle – 輕鬆實現將XML檔案轉換為Python物件。

清理

Bleach – 清理HTML（需要html5lib）。
sanitize – 為混亂的資料世界帶來清明。

文字處理

用於解析和操作簡單文字的庫。

通用

difflib – （Python標準庫）幫助進行差異化比較。
Levenshtein – 快速計算Levenshtein距離和字串相似度。
fuzzywuzzy – 模糊字串匹配。
esmre – 正則運算式加速器。
ftfy – 自動整理Unicode文字，減少碎片化。

轉換

unidecode – 將Unicode文字轉為ASCII。

字元編碼

uniout – 列印可讀字元，而不是被轉義的字串。
chardet – 相容 Python的2/3的字元編碼器。
xpinyin – 一個將中國漢字轉為拼音的庫。
pangu.py – 格式化文字中CJK和字母數字的間距。

Slug化

awesome-slugify – 一個可以保留unicode的Python slugify庫。
python-slugify – 一個可以將Unicode轉為ASCII的Python slugify庫。
unicode-slugify – 一個可以將生成Unicode slugs的工具。
pytils – 處理俄語字串的簡單工具（包括pytils.translit.slugify）。

通用解析器

PLY – lex和yacc解析工具的Python實現。
pyparsing – 一個通用框架的生成語法分析器。

人的名字

python-nameparser -解析人的名字的元件。

電話號碼

phonenumbers -解析，格式化，儲存和驗證國際電話號碼。

使用者代理字串
python-user-agents – 瀏覽器使用者代理的解析器。
HTTP Agent Parser – Python的HTTP代理分析器。

特定格式檔案處理

解析和處理特定文字格式的庫。

通用

tablib – 一個把資料匯出為XLS、CSV、JSON、YAML等格式的模組。
textract – 從各種檔案中提取文字，比如 Word、PowerPoint、PDF等。
messytables – 解析混亂的表格資料的工具。
rows – 一個常用資料介面，支援的格式很多（目前支援CSV，HTML，XLS，TXT – 將來還會提供更多！）。

Office

python-docx – 讀取，查詢和修改的Microsoft Word2007/2008的docx檔案。
xlwt / xlrd – 從Excel檔案讀取寫入資料和格式資訊。
XlsxWriter – 一個建立Excel.xlsx檔案的Python模組。
xlwings – 一個BSD許可的庫，可以很容易地在Excel中呼叫Python，反之亦然。
openpyxl – 一個用於讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM檔案的庫。
Marmir – 提取Python資料結構並將其轉換為電子錶格。

PDFMiner – 一個從PDF檔案中提取資訊的工具。
PyPDF2 – 一個能夠分割、合併和轉換PDF頁面的庫。
ReportLab – 允許快速建立豐富的PDF檔案。
pdftables – 直接從PDF檔案中提取表格。

Markdown

Python-Markdown – 一個用Python實現的John Gruber的Markdown。
Mistune – 速度最快，功能全面的Markdown純Python解析器。
markdown2 – 一個完全用Python實現的快速的Markdown。

YAML

PyYAML – 一個Python的YAML解析器。

cssutils – 一個Python的CSS庫。

ATOM/RSS

feedparser – 通用的feed解析器。

sqlparse – 一個非驗證的SQL陳述句分析器。

HTTP
HTTP

http-parser – C語言實現的HTTP請求/響應訊息解析器。

微格式

opengraph – 一個用來解析Open Graph協議標簽的Python模組。

可移植的執行體

pefile – 一個多平臺的用於解析和處理可移植執行體（即PE）檔案的模組。

PSD
psd-tools – 將Adobe Photoshop PSD（即PE）檔案讀取到Python資料結構。

自然語言處理

處理人類語言問題的庫。

NLTK -編寫Python程式來處理人類語言資料的最好平臺。
Pattern – Python的網路挖掘模組。他有自然語言處理工具，機器學習以及其它。
TextBlob – 為深入自然語言處理任務提供了一致的API。是基於NLTK以及Pattern的巨人之肩上發展的。
jieba – 中文分詞工具。
SnowNLP – 中文文字處理庫。
loso – 另一個中文分詞庫。
genius – 基於條件隨機域的中文分詞。
langid.py – 獨立的語言識別系統。
Korean – 一個韓文形態庫。
pymorphy2 – 俄語形態分析器（詞性標註+詞形變化引擎）。
PyPLN – 用Python編寫的分散式自然語言處理通道。這個專案的標的是建立一種簡單的方法使用NLTK透過網路介面處理大語言庫。

瀏覽器自動化與模擬

selenium – 自動化真正的瀏覽器（Chrome瀏覽器，火狐瀏覽器，Opera瀏覽器，IE瀏覽器）。
Ghost.py – 對PyQt的webkit的封裝（需要PyQT）。
Spynner – 對PyQt的webkit的封裝（需要PyQT）。
Splinter – 通用API瀏覽器模擬器（selenium web驅動，Django客戶端，Zope）。

多重處理

threading – Python標準庫的執行緒執行。對於I/O密集型任務很有效。對於CPU系結的任務沒用，因為python GIL。
multiprocessing – 標準的Python庫執行多行程。
celery – 基於分散式訊息傳遞的非同步任務佇列/作業佇列。
concurrent-futures – concurrent-futures 模組為呼叫非同步執行提供了一個高層次的介面。

非同步

非同步網路程式設計庫

asyncio – （在Python 3.4 +版本以上的 Python標準庫）非同步I/O，時間迴圈，協同程式和任務。
Twisted – 基於事件驅動的網路引擎框架。
Tornado – 一個網路框架和非同步網路庫。
pulsar – Python事件驅動的併發框架。
diesel – Python的基於綠色事件的I/O框架。
gevent – 一個使用greenlet 的基於協程的Python網路庫。
eventlet – 有WSGI支援的非同步框架。
Tomorrow – 非同步程式碼的奇妙的修飾語法。

佇列

celery – 基於分散式訊息傳遞的非同步任務佇列/作業佇列。
huey – 小型多執行緒任務佇列。
mrq – Mr. Queue – 使用redis & Gevent 的Python分散式工作任務佇列。
RQ – 基於Redis的輕量級任務佇列管理器。
simpleq – 一個簡單的，可無限擴充套件，基於Amazon SQS的佇列。
python-gearman – Gearman的Python API。

雲端計算

picloud – 雲端執行Python程式碼。
dominoup.com – 雲端執行R，Python和matlab程式碼。

電子郵件

電子郵件解析庫

flanker – 電子郵件地址和Mime解析庫。
Talon – Mailgun庫用於提取訊息的報價和簽名。

網址和網路地址操作

解析/修改網址和網路地址庫。

furl – 一個小的Python庫，使得操縱URL簡單化。
purl – 一個簡單的不可改變的URL以及一個乾凈的用於除錯和操作的API。
urllib.parse – 用於打破統一資源定位器（URL）的字串在元件（定址方案，網路位置，路徑等）之間的隔斷，為了結合元件到一個URL字串，並將“相對URL”轉化為一個絕對URL，稱之為“基本URL”。
tldextract – 從URL的註冊域和子域中準確分離TLD，使用公共字尾串列。

網路地址

netaddr – 用於顯示和操縱網路地址的Python庫。

網頁內容提取

提取網頁內容的庫。

HTML頁面的文字和元資料

newspaper – 用Python進行新聞提取、文章提取和內容策展。
html2text – 將HTML轉為Markdown格式文字。
python-goose – HTML內容/文章提取器。
lassie – 人性化的網頁內容檢索工具
micawber – 一個從網址中提取豐富內容的小庫。
sumy -一個自動彙總文字檔案和HTML網頁的模組
Haul – 一個可擴充套件的影象爬蟲。
python-readability – arc90 readability工具的快速Python介面。
scrapely – 從HTML網頁中提取結構化資料的庫。給出了一些Web頁面和資料提取的示例，scrapely為所有類似的網頁構建一個分析器。

影片

youtube-dl – 一個從YouTube下載影片的小命令列程式。
you-get – Python3的YouTube、優酷/ Niconico影片下載器。

維基

WikiTeam – 下載和儲存wikis的工具。

WebSocket

用於WebSocket的庫。

Crossbar – 開源的應用訊息傳遞路由器（Python實現的用於Autobahn的WebSocket和WAMP）。
AutobahnPython – 提供了WebSocket協議和WAMP協議的Python實現並且開源。
WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和伺服器庫。

DNS解析

dnsyo – 在全球超過1500個的DNS伺服器上檢查你的DNS。
pycares – c-ares的介面。c-ares是進行DNS請求和非同步名稱決議的C語言庫。

計算機視覺

OpenCV – 開源計算機視覺庫。
SimpleCV – 用於照相機、影象處理、特徵提取、格式轉換的簡介，可讀性強的介面（基於OpenCV）。
mahotas – 快速計算機影象處理演演算法（完全使用 C++ 實現），完全基於 numpy 的陣列作為它的資料型別。

代理伺服器

shadowsocks – 一個快速隧道代理，可幫你穿透防火牆（支援TCP和UDP，TFO，多使用者和平滑重啟，目的IP黑名單）。
tproxy – tproxy是一個簡單的TCP路由代理（第7層），基於Gevent，用Python進行配置。

其他Python工具串列

awesome-python
pycrumbs
python-github-projects
python_reference
pythonidae

《Python人工智慧和全棧開發》2018年07月23日即將在北京開課，120天衝擊Python年薪30萬，改變速約~~~~

*宣告：推送內容及圖片來源於網路，部分內容會有所改動，版權歸原作者所有，如來源資訊有誤或侵犯權益，請聯絡我們刪除或授權事宜。

– END –

更多Python好文請點選【閱讀原文】哦

↓↓↓

乾貨 | 史上最全的 Python 爬蟲工具串列大全

網路