这个列表包含与网页抓取和数据处理的Python库 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。 爬虫的工具列表"> 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。 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。 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。http://www.cda.cn/view/17051.html

最新文章

1. hive建表与数据的导入导出
2. SSH框架详解
3. 国内外著名B2C系统介绍兼比较ASP.NET和PHP
4. spring随想
5. object sender ,EventArs e
6. C程序设计语言练习题1-10
7. FireMonkey下的异形窗体拖动（句柄转换）
8. 机器学习笔记-1 Linear Regression(week 1)
9. Python学习之--socket续集
10. 转载-Linux Shell 数组建立及使用技巧
11. [HBase_3] HBase 命令
12. bootstrap-table 分页
13. 最短路径算法之Dijkstra算法
14. C# 调用C++的dll 那些事
15. 11G新特性 -- 块介质恢复性能增强(block media recovery)
16. PCP架构设计
17. [转]论magento1和magento2的速度性能优化问题
18. 0_Simple__simplePitchLinearTexture
19. Jquery把获取到的input值转换成json
20. 51nod 1623 完美消除（数位DP）

热门文章

1. ACwing 196. 质数距离
2. MFC总结
3. 给零基础的小白从0到1的react-naitve电商app——简单易学！
4. Java-ZipUtil工具类
5. 浅谈Spring @Order注解的使用（转）
6. 题解 【NOI2010】超级钢琴
7. RedisTemplate的各种操作（set、hash、list、string）
8. httpclient个人理解
9. numpy中np.linalg.norm()求向量、矩阵的范数
10. 关于项目在网页中运行部分jsp出现乱码(由request.getRequestDispatcher("XXX.jsp").forward(request, response)造成）的解决方法