Python 爬虫的工具列表

这个列表包含与网页抓取和数据处理的Python库



1. 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。

• treq – 类似于requests的API（基于twisted）。
• aiohttp – asyncio的HTTP客户端/服务器(PEP-3156)。

• 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。

• 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。

• 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。

• Bleach – 清理HTML（需要html5lib）。
• sanitize – 为混乱的数据世界带来清明。

• 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。