Python 爬虫的工具列表大全，再不收藏下次就找不到了（第一篇）

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理

以下文章来源于腾讯云 作者：沈唁

( 想要学习Python？Python学习交流群：1039649593，满足你的需求，资料都已经上传群文件流，可以自行下载！还有海量最新2020python学习资料。 )

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-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。