156個Python網絡爬蟲資源，媽媽再也不用擔心你找不到資源了

本清單包含Python網頁抓取和資料處理相關的庫。

前幾天有私信小編要Python的學習資料，小編整理了一些有深度的Python教程和參考資料，從入門到進階的都有，檔案已經打包好了，正在學習Python的同學可以下載下傳學習學習。檔案下載下傳方式：在群檔案中下載下傳：719139688。首先把代碼撸起來！首先把代碼撸起來！首先把代碼撸起來！重要的事說三遍，哈哈。“程式設計是門手藝活”。什麼意思？得練啊。

網絡相關

• 通用
• urllib – 網絡庫(标準庫)
• requests – 網絡庫
• grab – 網絡庫(基于pycurl)
• pycurl – 網絡庫 (與libcurl綁定)
• urllib3 – 具有線程安全連接配接池、檔案psot支援、高可用的Python HTTP庫
• httplib2 – 網絡庫
• RoboBrowser – 一個無需獨立浏覽器即可通路網頁的簡單、pythonic的庫
• MechanicalSoup – 能完成自動網站互動的Python庫
• mechanize – 有狀态、可程式設計的網頁浏覽庫。
• socket – 底層網絡接口(标準庫)
• Unirest for Python – 一套支援多種語言的輕量級HTTP庫
• hyper – Python HTTP/2用戶端
• PySocks – SocksiPy持續更新并維護的版本，指出bug修複和一些其他功能，可以作為socket子產品的替代品
• 異步
• treq – 基于twisted、與requests類似的API
• aiohttp – asyncio的HTTP用戶端/伺服器 (PEP-3156)

網絡爬蟲架構

• 全能型爬蟲
• grab – 網絡爬蟲架構(基于pycurl/multicurl)
• scrapy – 網絡爬蟲架構(基于twisted)
• pyspider – 一個強力的爬蟲系統
• 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資源庫。允許影虎簡單的通路HTTP資源并用來建立項目
• demiurge – 基于PyQuery的微型爬蟲架構

HTML/XML解析

• lxml – 高效的HTML/XML處理庫。支援XPATH，用C語言寫成
• cssselect – 解析DOM樹和css選擇器
• pyquery – 解析DOM樹和jQuery選擇器
• BeautifulSoup – Python寫成的低效HTML/XMl處理庫
• html5lib – 根據WHATWG規範生成HTML/ XML文檔的DOM。WHATWG規範是現在浏覽器的通行規範
• feedparser – 解析RSS/ATOM資訊流
• MarkupSafe – Python的XML/HTML/XHTML安全轉義字元串工具
• xmltodict – 讓你處理XML如同處理JSON一樣
• xhtml2pdf – HTML/CSS to PDF轉化器
• untangle – 講XML文檔轉化為Python項目以簡化處理難度
• hodor – 支援lxml and cssselect的配置驅動包裝工具
• 清理
• Bleach – 清理HTML (需求html5lib)
• sanitize – 将混亂的資料世界恢複清楚

文本處理

解析及操作文本的庫

• difflib – 差異化計算工具(Python标準庫)
• Levenshtein – 快速計算編輯距離及字元串相似度
• fuzzywuzzy – 模糊字元串比比對
• esmre – 正規表達式加速器.
• ftfy – 将Unicode文本自動整理減少碎片化
• 轉換
• unidecode – Unicode轉化為ASCII文本
• 字元編碼
• uniout – 将轉移字元串輸出為可讀形式
• chardet – Python 2/3相容字元編碼檢測器
• xpinyin – 講漢字轉為拼音的庫
• pangu.py – CJK及字母數字文本間距格式化
• Slug化
• awesome-slugify – 可保留Unicode的Python slugify庫
• python-slugify – 講Unicode轉為ASCII的Python slugify庫
• unicode-slugify – unicode slugs生成工具
• pytils – 處理俄語字元串的小工具(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架構
• 人名
• python-nameparser – 姓名解析元件
• 電話号碼
• phonenumbers – 處理、格式化、存儲、驗證全球電話号碼
• 使用者代理字元串
• python-user-agents – 浏覽器使用者代了解析器
• HTTP Agent Parser – Python HTTP代了解析器
• fake-useragent – 基于全球浏覽器統計的Python使用者代理欺騙器
• user_agent – 使用者代理資料生成器

特殊格式處理

處理特編輯特殊字元格式的庫

• tablib – 處理XLS, CSV, JSON, YAML等表格資料的庫
• textract – 從任何文檔中提取文本，支援Word, PowerPoint, PDF等
• messytables – 雜亂的表格資料解析
• rows – 支援多種格式的通用且美觀的表格資料處理器(現有CSV, HTML, XLS, TXT — 即将支援更多)
• Office
• python-docx – 閱讀，查詢和修改Microsoft Word 2007/2008 docx檔案
• xlwt / xlrd – 從Excel讀取及寫入資料和格式化資訊
• XlsxWriter – 用于穿件Excel .xlsx檔案的Python子產品
• xlwings – 一個BSD許可的庫，是Excel與Python互相調用更加簡單
• openpyxl – 可讀取、編輯Excel 2010xlsx/xlsm/xltx/xltm檔案的庫
• Marmir – 提取Python資料結構并将其轉化為表格的庫
• PDF
• PDFMiner – 從PDF文檔中提取資訊的工具
• PyPDF2 – 一個分割、合并、轉換PDF檔案的庫
• ReportLab – 可以快速建立大量PDF文檔
• pdftables – 從PDF檔案中精準提取表格
• 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 – 一個無驗證的SQL語句分析器
• HTTP
• http-parser – C語言實作的HTTP請求/響應消息解析器
• Microformats
• 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

自然語言處理庫

• NLTK – Python自然語言處理領先者
• 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 – 為深入處理自然語言的項目提供API，參考了NLTK及其他
• jieba – 中文分詞
• SnowNLP – 漢字文本處理庫
• loso – 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 – 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
• langdetect – Python的谷歌語言檢測庫端口

浏覽器自動化與仿真

• 浏覽器
• selenium – 自動化真實浏覽器(Chrome, Firefox, Opera, IE)
• Ghost.py – QtWebKit封裝(需求PyQT)
• Spynner – 具備AJAX支援的程式化網頁浏覽子產品
• Splinter – 通用API浏覽器模拟器（selenium web驅動，Django用戶端，Zope）
• Headless工具
• xvfbwrapper – 用于在X虛拟幀緩沖區（Xvfb）中運作顯示的Python包裝器

多程序并發

• threading – Python标準庫的多線程運作。因為python GIL限制，對于I/O密集型任務很有效，對于CPU綁定的任務沒用
• multiprocessing – 多程序标準庫
• 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子產品提供用于異步執行callable的進階接口

異步網絡程式設計庫

• asyncio – 異步I/O，時間循環，協同程式和任務(Python 3.4以上版本的Python标準庫)
• Twisted – 基于事件驅動的網絡引擎架構
• Tornado – 一個Web架構及異步網絡庫
• pulsar – Python事件驅動的并發架構
• diesel – Python的基于Greenlet的I/O架構
• gevent – 一個基于協同程式的Python網絡庫，使用greenlet
• eventlet – 有WSGI支援的異步架構
• Tomorrow – 異步代碼的魔法

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 – 在雲端執行Python
• dominoup.com – 在雲端執行R, Python及matlab代碼

電子郵件

電子郵件處理庫

• flanker – 電子郵件及MIME處理庫
• Talon – Mailgun庫用于提取消息的報價和簽名

URL和網絡位址操作

URL和網絡位址操作庫

• 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”（标準庫）
• tldextract – 使用公共字尾清單從URL的注冊域和子域中準确分離TLD
• 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

網頁内容提取庫

• 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型庫
• 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
• libextract – 從網站提取資料
• 視訊
• youtube-dl – 一個從YouTube下載下傳視訊的小型指令行工具
• you-get – Python3寫成的YouTube/Youku/Niconico視訊下載下傳工具
• Wiki
• WikiTeam – 下載下傳并儲存wkiks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 – ic-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

雜項

• user_agent – 此子產品用于生成随機，有效的Web導航器的配置和使用者代理HTTP header

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