本列表包含Python网页抓取和数据处理相关的库。
前几天有私信小编要Python的学习资料，小编整理了一些有深度的Python教程和参考资料，从入门到高级的都有，文件已经打包好了，正在学习Python的同学可以下载学习学习。文件下载方式：在群文件中下载：719139688。首先把代码撸起来！首先把代码撸起来！首先把代码撸起来！重要的事说三遍，哈哈。“编程是门手艺活”。什么意思？得练啊。
网络相关
-
通用
-
urllib – 网络库(标准库)
-
requests – 网络库
-
grab – 网络库(基于pycurl)
-
pycurl – 网络库 (与libcurl绑定)
-
urllib3 – 具有线程安全连接池、文件psot支持、高可用的Python HTTP库
-
httplib2 – 网络库
-
RoboBrowser – 一个无需独立浏览器即可访问网页的简单、pythonic的库
-
MechanicalSoup – 能完成自动网站交互的Python库
-
mechanize – 有状态、可编程的网页浏览库。
-
socket – 底层网络接口(标准库)
-
Unirest for Python – 一套支持多种语言的轻量级HTTP库
-
hyper – Python HTTP/2客户端
-
PySocks – SocksiPy持续更新并维护的版本，指出bug修复和一些其他功能，可以作为socket模块的替代品
-
异步
-
treq – 基于twisted、与requests类似的API
-
aiohttp – asyncio的HTTP客户端/服务器 (PEP-3156)
网络爬虫框架
-
全能型爬虫
-
grab – 网络爬虫框架(基于pycurl/multicurl)
-
scrapy – 网络爬虫框架(基于twisted)
-
pyspider – 一个强力的爬虫系统
-
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资源库。允许影虎简单的访问HTTP资源并用来创建项目
-
demiurge – 基于PyQuery的微型爬虫框架
HTML/XML解析
-
通用
-
lxml – 高效的HTML/XML处理库。支持XPATH，用C语言写成
-
cssselect – 解析DOM树和css选择器
-
pyquery – 解析DOM树和jQuery选择器
-
BeautifulSoup – Python写成的低效HTML/XMl处理库
-
html5lib – 根据WHATWG规范生成HTML/ XML文档的DOM。WHATWG规范是现在浏览器的通行规范
-
feedparser – 解析RSS/ATOM信息流
-
MarkupSafe – Python的XML/HTML/XHTML安全转义字符串工具
-
xmltodict – 让你处理XML如同处理JSON一样
-
xhtml2pdf – HTML/CSS to PDF转化器
-
untangle – 讲XML文档转化为Python项目以简化处理难度
-
hodor – 支持lxml and cssselect的配置驱动包装工具
-
清理
-
Bleach – 清理HTML (需求html5lib)
-
sanitize – 将混乱的数据世界恢复清楚
文本处理
解析及操作文本的库
-
通用
-
difflib – 差异化计算工具(Python标准库)
-
Levenshtein – 快速计算编辑距离及字符串相似度
-
fuzzywuzzy – 模糊字符串比匹配
-
esmre – 正则表达式加速器.
-
ftfy – 将Unicode文本自动整理减少碎片化
-
转换
-
unidecode – Unicode转化为ASCII文本
-
字符编码
-
uniout – 将转移字符串输出为可读形式
-
chardet – Python 2/3兼容字符编码检测器
-
xpinyin – 讲汉字转为拼音的库
-
pangu.py – CJK及字母数字文本间距格式化
-
Slug化
-
awesome-slugify – 可保留Unicode的Python slugify库
-
python-slugify – 讲Unicode转为ASCII的Python slugify库
-
unicode-slugify – unicode slugs生成工具
-
pytils – 处理俄语字符串的小工具(包含pytils.translit.slugify)
-
通用解析器
-
PLY – Python lex和yacc解析工具
-
pyparsing – 用于生成解析器的通用框架
-
人名
-
python-nameparser – 姓名解析组件
-
电话号码
-
phonenumbers – 处理、格式化、存储、验证全球电话号码
-
用户代理字符串
-
python-user-agents – 浏览器用户代理解析器
-
HTTP Agent Parser – Python HTTP代理解析器
-
fake-useragent – 基于全球浏览器统计的Python用户代理欺骗器
-
user_agent – 用户代理数据生成器
特殊格式处理
处理特编辑特殊字符格式的库
-
通用
-
tablib – 处理XLS, CSV, JSON, YAML等表格数据的库
-
textract – 从任何文档中提取文本，支持Word, PowerPoint, PDF等
-
messytables – 杂乱的表格数据解析
-
rows – 支持多种格式的通用且美观的表格数据处理器(现有CSV, HTML, XLS, TXT — 即将支持更多)
-
Office
-
python-docx – 阅读，查询和修改Microsoft Word 2007/2008 docx文件
-
xlwt / xlrd – 从Excel读取及写入数据和格式化信息
-
XlsxWriter – 用于穿件Excel .xlsx文件的Python模块
-
xlwings – 一个BSD许可的库，是Excel与Python互相调用更加简单
-
openpyxl – 可读取、编辑Excel 2010xlsx/xlsm/xltx/xltm文件的库
-
Marmir – 提取Python数据结构并将其转化为表格的库
-
PDF
-
PDFMiner – 从PDF文档中提取信息的工具
-
PyPDF2 – 一个分割、合并、转换PDF文件的库
-
ReportLab – 可以快速创建大量PDF文档
-
pdftables – 从PDF文件中精准提取表格
-
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 – 一个无验证的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
-
Microformats
-
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
自然语言处理库
-
NLTK – Python自然语言处理领先者
-
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 – 为深入处理自然语言的项目提供API，参考了NLTK及其他
-
jieba – 中文分词
-
SnowNLP – 汉字文本处理库
-
loso – 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 – 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
-
langdetect – Python的谷歌语言检测库端口
浏览器自动化与仿真
-
浏览器
-
selenium – 自动化真实浏览器(Chrome, Firefox, Opera, IE)
-
Ghost.py – QtWebKit封装(需求PyQT)
-
Spynner – 具备AJAX支持的程序化网页浏览模块
-
Splinter – 通用API浏览器模拟器（selenium web驱动，Django客户端，Zope）
-
Headless工具
-
xvfbwrapper – 用于在X虚拟帧缓冲区（Xvfb）中运行显示的Python包装器
多进程并发
-
threading – Python标准库的多线程运行。因为python GIL限制，对于I/O密集型任务很有效，对于CPU绑定的任务没用
-
multiprocessing – 多进程标准库
-
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模块提供用于异步执行callable的高级接口
异步
异步网络编程库
-
asyncio – 异步I/O，时间循环，协同程序和任务(Python 3.4以上版本的Python标准库)
-
Twisted – 基于事件驱动的网络引擎框架
-
Tornado – 一个Web框架及异步网络库
-
pulsar – Python事件驱动的并发框架
-
diesel – Python的基于Greenlet的I/O框架
-
gevent – 一个基于协同程序的Python网络库，使用greenlet
-
eventlet – 有WSGI支持的异步框架
-
Tomorrow – 异步代码的魔法
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 – 在云端执行Python
-
dominoup.com – 在云端执行R, Python及matlab代码
电子邮件
电子邮件处理库
-
flanker – 电子邮件及MIME处理库
-
Talon – Mailgun库用于提取消息的报价和签名
URL和网络地址操作
URL和网络地址操作库
-
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”（标准库）
-
tldextract – 使用公共后缀列表从URL的注册域和子域中准确分离TLD
-
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
网页内容提取库
-
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型库
-
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
-
libextract – 从网站提取数据
-
视频
-
youtube-dl – 一个从YouTube下载视频的小型命令行工具
-
you-get – Python3写成的YouTube/Youku/Niconico视频下载工具
-
Wiki
-
WikiTeam – 下载并保存wkiks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 – ic-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
杂项
-
user_agent – 此模块用于生成随机，有效的Web导航器的配置和用户代理HTTP header
其他
-
awesome-python
-
pycrumbs
-
python-github-projects
-
python_reference
-
pythonidae
