這個列表包含與網頁抓取和數據處理的Python庫

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，安全連接池、支持文件post、可用性高。
  • httplib2 - 網絡庫。
  • RoboBrowser - 一個簡單的、極具Python風格的Python庫，無需獨立的瀏覽器即可瀏覽網頁。
  • MechanicalSoup -一個與網站自動交互Python庫。
  • mechanize -有狀態、可編程的Web瀏覽庫。
  • 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客戶端。
  • PySocks - Socksipy更新并積極維護的版本，包括錯誤修復和一些其他的特征。作為socket模塊的直接替換。
• 異步
  • treq - 類似于requests的API（基于twisted）。
  • aiohttp - asyncio的HTTP客戶端/服務器(PEP-3156)。

網絡爬蟲框架

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

HTML/xml解析器

• 通用
  • lxml - C語言編寫高效HTML/ XML處理庫。支持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實現。
  • html5lib - 根據WHATWG規范生成HTML/ XML文檔的DOM。該規范被用在現在所有的瀏覽器上。
  • feedparser - 解析rss/ATOM feeds。
  • MarkupSafe - 為XML/HTML/XHTML提供了安全轉義的字符串。
  • xmltodict - 一個可以讓你在處理XML時感覺像在處理JSON一樣的Python模塊。
  • xhtml2pdf - 將HTML/CSS轉換為PDF。
  • untangle - 輕松實現將XML文件轉換為Python對象。
• 清理
  • Bleach - 清理HTML（需要html5lib）。
  • sanitize - 為混亂的數據世界帶來清明。

文本處理

用于解析和操作簡單文本的庫。

• 通用

• difflib - （Python標準庫）幫助進行差異化比較。
• Levenshtein - 快速計算Levenshtein距離和字符串相似度。
• fuzzywuzzy - 模糊字符串匹配。
• esmre - 正則表達式加速器。
• ftfy - 自動整理Unicode文本，減少碎片化。

• 轉換

• unidecode - 將Unicode文本轉為ASCII。

• 字符編碼

• uniout - 打印可讀字符，而不是被轉義的字符串。
• chardet - 兼容 Python的2/3的字符編碼器。
• xpinyin - 一個將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 - 一個可以將Unicode轉為ASCII的Python slugify庫。
• unicode-slugify - 一個可以將生成Unicode slugs的工具。
• pytils - 處理俄語字符串的簡單工具（包括pytils.translit.slugify）。

• 通用解析器

• PLY - lex和yacc解析工具的Python實現。
• pyparsing - 一個通用框架的生成語法分析器。

• 人的名字

• python-nameparser -解析人的名字的組件。

• 電話號碼

• phonenumbers -解析，格式化，存儲和驗證國際電話號碼。

• 用戶代理字符串

• python-user-agents - 瀏覽器用戶代理的解析器。
• HTTP Agent Parser - Python的HTTP代理分析器。

特定格式文件處理

解析和處理特定文本格式的庫。

• 通用

• tablib - 一個把數據導出為XLS、CSV、JSON、YAML等格式的模塊。
• textract - 從各種文件中提取文本，比如 Word、Powerpoint、PDF等。
• messytables - 解析混亂的表格數據的工具。
• rows - 一個常用數據接口，支持的格式很多（目前支持CSV，HTML，XLS，TXT – 將來還會提供更多?。?。

• Office

• python-docx - 讀取，查詢和修改的Microsoft Word2007/2008的docx文件。
• xlwt / xlrd - 從Excel文件讀取寫入數據和格式信息。
• XlsxWriter - 一個創建Excel.xlsx文件的Python模塊。
• 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文件的庫。
• Marmir - 提取Python數據結構并將其轉換為電子表格。

• PDF

• PDFMiner - 一個從PDF文檔中提取信息的工具。
• PyPDF2 - 一個能夠分割、合并和轉換PDF頁面的庫。
• ReportLab - 允許快速創建豐富的PDF文檔。
• pdftables - 直接從PDF文件中提取表格。

• Markdown

• Python-Markdown - 一個用Python實現的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實現的快速的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語言實現的HTTP請求/響應消息解析器。

• 微格式

• opengraph - 一個用來解析Open Graph協議標簽的Python模塊。

• 可移植的執行體

• pefile - 一個多平臺的用于解析和處理可移植執行體（即PE）文件的模塊。

• PSD

• psd-tools - 將Adobe photoshop PSD（即PE）文件讀取到Python數據結構。

自然語言處理

處理人類語言問題的庫。

• NLTK -編寫Python程序來處理人類語言數據的最好平臺。
• Pattern - Python的網絡挖掘模塊。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致的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 - 基于條件隨機域的中文分詞。
• langid.py - 獨立的語言識別系統。
• Korean - 一個韓文形態庫。
• pymorphy2 - 俄語形態分析器（詞性標注+詞形變化引擎）。
• PyPLN  – 用Python編寫的分布式自然語言處理通道。這個項目的目標是創建一種簡單的方法使用NLTK通過網絡接口處理大語言庫。

瀏覽器自動化與仿真

• selenium - 自動化真正的瀏覽器（Chrome瀏覽器，火狐瀏覽器，Opera瀏覽器，IE瀏覽器）。
• 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瀏覽器模擬器（selenium web驅動，Django客戶端，Zope）。

多重處理

• threading - Python標準庫的線程運行。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 - 標準的Python庫運行多進程。
• 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 模塊為調用異步執行提供了一個高層次的接口。

異步

異步網絡編程庫

• asyncio - （在Python 3.4 +版本以上的 Python標準庫）異步I/O，時間循環，協同程序和任務。
• Twisted - 基于事件驅動的網絡引擎框架。
• Tornado - 一個網絡框架和異步網絡庫。
• pulsar - Python事件驅動的并發框架。
• diesel - Python的基于綠色事件的I/O框架。
• gevent – 一個使用greenlet 的基于協程的Python網絡庫。
• eventlet - 有WSGI支持的異步框架。
• Tomorrow - 異步代碼的奇妙的修飾語法。

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，可無限擴展，基于Amazon SQS的隊列。
• python-gearman - Gearman的Python API。

云計算

• picloud - 云端執行Python代碼。
• dominoup.com - 云端執行R，Python和matlab代碼。

電子郵件

電子郵件解析庫

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

網址和網絡地址操作

解析/修改網址和網絡地址庫。

• 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以及一個干凈的用于調試和操作的API。
  • urllib.parse - 用于打破統一資源定位器（URL）的字符串在組件（尋址方案，網絡位置，路徑等）之間的隔斷，為了結合組件到一個URL字符串，并將“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確分離TLD，使用公共后綴列表。

• 網絡地址
  • netaddr – 用于顯示和操縱網絡地址的Python庫。

網頁內容提取

提取網頁內容的庫。

• HTML頁面的文本和元數據
  • newspaper – 用Python進行新聞提取、文章提取和內容策展。
  • html2text – 將HTML轉為Markdown格式文本。
  • python-goose – HTML內容/文章提取器。
  • lassie - 人性化的網頁內容檢索工具
  • micawber - 一個從網址中提取豐富內容的小庫。
  • sumy -一個自動匯總文本文件和HTML網頁的模塊
  • Haul - 一個可擴展的圖像爬蟲。
  • python-readability - arc90 readability工具的快速Python接口。
  • scrapely - 從HTML網頁中提取結構化數據的庫。給出了一些Web頁面和數據提取的示例，scrapely為所有類似的網頁構建一個分析器。

• 視頻
  • youtube-dl - 一個從YouTube下載視頻的小命令行程序。
  • you-get - Python3的YouTube、優酷/ Niconico視頻下載器。

• 維基
  • WikiTeam - 下載和保存wikis的工具。

WebSocket

用于WebSocket的庫。

• Crossbar - 開源的應用消息傳遞路由器（Python實現的用于Autobahn的WebSocket和WAMP）。
• AutobahnPython - 提供了WebSocket協議和WAMP協議的Python實現并且開源。
• WebSocket-for-Python - Python 2和3以及PyPy的WebSocket客戶端和服務器庫。

DNS解析

• dnsyo - 在全球超過1500個的DNS服務器上檢查你的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++ 實現），完全基于 numpy 的數組作為它的數據類型。

代理服務器

• shadowsocks – 一個快速隧道代理，可幫你穿透防火墻（支持TCP和UDP，TFO，多用戶和平滑重啟，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工具列表

• awesome-python
• pycrumbs
• python-github-projects
• python_reference
• pythonidae
• 全能程序員交流QQ群290551701，聚集很多互聯網精英,技術總監,架構師,項目經理!開源技術研究,歡迎業內人士,大牛及新手有志于從事IT行業人員進入!