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zhongguo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zuihao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