幹貨 | 史上最全Python爬蟲工具清單大全，趕緊收藏一波！

既然提到了爬蟲，就從網上理了一份python爬蟲相關的包。包含與網頁抓取和資料處理的Python庫,需要的朋友可以參考下

如果需要擷取到這個【Python爬蟲核心知識點整理】文檔的話幫忙轉發一下然後再關注我私信回複“學習”得到擷取方式吧！

網絡

• 通用
• urllib -網絡庫(stdlib)。
• requests -網絡庫。
• grab – 網絡庫（基于pycurl）。
• pycurl – 網絡庫（綁定libcurl）。
• urllib3 – Python HTTP庫，安全連接配接池、支援檔案post、可用性高。
• httplib2 – 網絡庫。
• RoboBrowser – 一個簡單的、極具Python風格的Python庫，無需獨立的浏覽器即可浏覽網頁。
• MechanicalSoup -一個與網站自動互動Python庫。
• mechanize -有狀态、可程式設計的Web浏覽庫。
• socket – 底層網絡接口(stdlib)。
• Unirest for Python – Unirest是一套可用于多種語言的輕量級的HTTP庫。
• hyper – Python的HTTP/2用戶端。
• PySocks – SocksiPy更新并積極維護的版本，包括錯誤修複和一些其他的特征。作為socket子產品的直接替換。
• 異步
• treq – 類似于requests的API（基于twisted）。
• aiohttp – asyncio的HTTP用戶端/伺服器(PEP-3156)。

網絡爬蟲架構

• 功能齊全的爬蟲
• grab – 網絡爬蟲架構（基于pycurl/multicur）。
• scrapy – 網絡爬蟲架構（基于twisted），不支援Python3。
• pyspider – 一個強大的爬蟲系統。
• cola – 一個分布式爬蟲架構。
• 其他
• portia – 基于Scrapy的可視化爬蟲。
• restkit – Python的HTTP資源工具包。它可以讓你輕松地通路HTTP資源，并圍繞它建立的對象。
• demiurge – 基于PyQuery的爬蟲微架構。

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實作。
• html5lib – 根據WHATWG規範生成HTML/ XML文檔的DOM。該規範被用在現在所有的浏覽器上。
• feedparser – 解析RSS/ATOM feeds。
• MarkupSafe – 為XML/HTML/XHTML提供了安全轉義的字元串。
• xmltodict – 一個可以讓你在處理XML時感覺像在處理JSON一樣的Python子產品。
• xhtml2pdf – 将HTML/CSS轉換為PDF。
• untangle – 輕松實作将XML檔案轉換為Python對象。
• 清理
• Bleach – 清理HTML（需要html5lib）。
• sanitize – 為混亂的資料世界帶來清明。

文本處理

用于解析和操作簡單文本的庫。

• 通用

• difflib – （Python标準庫）幫助進行差異化比較。
• Levenshtein – 快速計算Levenshtein距離和字元串相似度。
• fuzzywuzzy – 模糊字元串比對。
• esmre – 正規表達式加速器。
• ftfy – 自動整理Unicode文本，減少碎片化。

• 轉換

• unidecode – 将Unicode文本轉為ASCII。

• 字元編碼

• uniout – 列印可讀字元，而不是被轉義的字元串。
• chardet – 相容 Python的2/3的字元編碼器。
• xpinyin – 一個将中國漢字轉為拼音的庫。
• pangu.py – 格式化文本中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 – 一個可以将Unicode轉為ASCII的Python slugify庫。
• unicode-slugify – 一個可以将生成Unicode slugs的工具。
• pytils – 處理俄語字元串的簡單工具（包括pytils.translit.slugify）。

• 通用解析器

• PLY – lex和yacc解析工具的Python實作。
• pyparsing – 一個通用架構的生成文法分析器。

• 人的名字

• python-nameparser -解析人的名字的元件。

• 電話号碼

• phonenumbers -解析，格式化，存儲和驗證國際電話号碼。

• 使用者代理字元串

• python-user-agents – 浏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

解析和處理特定文本格式的庫。

• 通用

• tablib – 一個把資料導出為XLS、CSV、JSON、YAML等格式的子產品。
• textract – 從各種檔案中提取文本，比如 Word、PowerPoint、PDF等。
• messytables – 解析混亂的表格資料的工具。
• rows – 一個常用資料接口，支援的格式很多（目前支援CSV，HTML，XLS，TXT – 将來還會提供更多！）。

• 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子產品。
• xlwings – 一個BSD許可的庫，可以很容易地在Excel中調用Python，反之亦然。
• openpyxl – 一個用于讀取和寫入的Excel2010 XLSX/ XLSM/ xltx/ XLTM檔案的庫。
• Marmir – 提取Python資料結構并将其轉換為電子表格。

• PDF

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

• Markdown

• Python-Markdown – 一個用Python實作的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實作的快速的Markdown。

• YAML

• PyYAML – 一個Python的YAML解析器。

• CSS

• cssutils – 一個Python的CSS庫。

• ATOM/RSS

• feedparser – 通用的feed解析器。

• SQL

• sqlparse – 一個非驗證的SQL語句分析器。

• HTTP
• HTTP

• http-parser – C語言實作的HTTP請求/響應消息解析器。

• 微格式

• opengraph – 一個用來解析Open Graph協定标簽的Python子產品。

• 可移植的執行體

• pefile – 一個多平台的用于解析和處理可移植執行體（即PE）檔案的子產品。

• PSD

• psd-tools – 将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台。
• Pattern – Python的網絡挖掘子產品。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緻的API。是基于NLTK以及Pattern的巨人之肩上發展的。
• jieba – 中文分詞工具。
• SnowNLP – 中文文本處理庫。
• loso – 另一個中文分詞庫。
• genius – 基于條件随機域的中文分詞。
• langid.py – 獨立的語言識别系統。
• Korean – 一個韓文形态庫。
• pymorphy2 – 俄語形态分析器（詞性标注+詞形變化引擎）。
• PyPLN – 用Python編寫的分布式自然語言處理通道。這個項目的目标是建立一種簡單的方法使用NLTK通過網絡接口處理大語言庫。

浏覽器自動化與仿真

• selenium – 自動化真正的浏覽器（Chrome浏覽器，火狐浏覽器，Opera浏覽器，IE浏覽器）。
• 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浏覽器模拟器（selenium web驅動，Django用戶端，Zope）。

多重處理

• threading – Python标準庫的線程運作。對于I/O密集型任務很有效。對于CPU綁定的任務沒用，因為python GIL。
• multiprocessing – 标準的Python庫運作多程序。
• celery – 基于分布式消息傳遞的異步任務隊列/作業隊列。
• concurrent-futures – concurrent-futures 子產品為調用異步執行提供了一個高層次的接口。

異步

異步網絡程式設計庫

• asyncio – （在Python 3.4 +版本以上的 Python标準庫）異步I/O，時間循環，協同程式和任務。
• Twisted – 基于事件驅動的網絡引擎架構。
• Tornado – 一個網絡架構和異步網絡庫。
• pulsar – Python事件驅動的并發架構。
• diesel – Python的基于綠色事件的I/O架構。
• gevent – 一個使用greenlet 的基于協程的Python網絡庫。
• eventlet – 有WSGI支援的異步架構。
• Tomorrow – 異步代碼的奇妙的修飾文法。

隊列

• celery – 基于分布式消息傳遞的異步任務隊列/作業隊列。
• huey – 小型多線程任務隊列。
• mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任務隊列。
• RQ – 基于Redis的輕量級任務隊列管理器。
• simpleq – 一個簡單的，可無限擴充，基于Amazon SQS的隊列。
• python-gearman – Gearman的Python API。

雲計算

• picloud – 雲端執行Python代碼。
• dominoup.com – 雲端執行R，Python和matlab代碼。

電子郵件

電子郵件解析庫

• flanker – 電子郵件位址和Mime解析庫。
• Talon – Mailgun庫用于提取消息的報價和簽名。

網址和網絡位址操作

解析/修改網址和網絡位址庫。

• URL
• 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以及一個幹淨的用于調試和操作的API。
• urllib.parse – 用于打破統一資源定位器（URL）的字元串在元件（尋址方案，網絡位置，路徑等）之間的隔斷，為了結合元件到一個URL字元串，并将“相對URL”轉化為一個絕對URL，稱之為“基本URL”。
• tldextract – 從URL的注冊域和子域中準确分離TLD，使用公共字尾清單。

• 網絡位址
• netaddr – 用于顯示和操縱網絡位址的Python庫。

網頁内容提取

提取網頁内容的庫。

• HTML頁面的文本和中繼資料
• newspaper – 用Python進行新聞提取、文章提取和内容策展。
• html2text – 将HTML轉為Markdown格式文本。
• python-goose – HTML内容/文章提取器。
• lassie – 人性化的網頁内容檢索工具
• micawber – 一個從網址中提取豐富内容的小庫。
• sumy -一個自動彙總文本檔案和HTML網頁的子產品
• Haul – 一個可擴充的圖像爬蟲。
• python-readability – arc90 readability工具的快速Python接口。
• 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為所有類似的網頁建構一個分析器。

• 視訊
• youtube-dl – 一個從YouTube下載下傳視訊的小指令行程式。
• you-get – Python3的YouTube、優酷/ Niconico視訊下載下傳器。

• 維基
• WikiTeam – 下載下傳和儲存wikis的工具。

WebSocket

用于WebSocket的庫。

• Crossbar – 開源的應用消息傳遞路由器（Python實作的用于Autobahn的WebSocket和WAMP）。
• AutobahnPython – 提供了WebSocket協定和WAMP協定的Python實作并且開源。
• WebSocket-for-Python – Python 2和3以及PyPy的WebSocket用戶端和伺服器庫。

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的接口。c-ares是進行DNS請求和異步名稱決議的C語言庫。

計算機視覺

• OpenCV – 開源計算機視覺庫。
• SimpleCV – 用于照相機、圖像處理、特征提取、格式轉換的簡介，可讀性強的接口（基于OpenCV）。
• mahotas – 快速計算機圖像處理算法（完全使用 C++ 實作），完全基于 numpy 的數組作為它的資料類型。

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，多使用者和平滑重新開機，目的IP黑名單）。
• tproxy – tproxy是一個簡單的TCP路由代理（第7層），基于Gevent，用Python進行配置。

其他Python工具清單

• awesome-python
• pycrumbs
• python-github-projects
• python_reference
• pythonidae

如果需要擷取到這個【Python爬蟲核心知識點整理】文檔的話幫忙轉發一下然後再關注我私信回複“學習”得到擷取方式吧！

關注小編，持續分享程式設計幹貨喲~