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