爬蟲方向第三方庫：1、urllib3，一個Python HTTP庫，安全連接池、支持文件post、可用性高；2、MechanicalSoup，一個與網(wǎng)站自動交互Python庫；3、grab，一個基于pycurl/multicur的網(wǎng)絡(luò)爬蟲框架；4、portia，一個基于Scrapy的可視化爬蟲庫；5、Tornado，一個網(wǎng)絡(luò)框架和異步網(wǎng)絡(luò)庫；6、scrapy，一個網(wǎng)絡(luò)爬蟲框架。

本教程操作環(huán)境：windows7系統(tǒng)、Python3、Dell G3電腦。

這個列表包含與網(wǎng)頁抓取和數(shù)據(jù)處理的Python庫

網(wǎng)絡(luò)

• 通用
  • urllib -網(wǎng)絡(luò)庫(stdlib)。
  • requests -網(wǎng)絡(luò)庫。
  • grab – 網(wǎng)絡(luò)庫（基于pycurl）。
  • pycurl – 網(wǎng)絡(luò)庫（綁定libcurl）。
  • urllib3 – Python HTTP庫，安全連接池、支持文件post、可用性高。
  • httplib2 – 網(wǎng)絡(luò)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(wǎng)頁。
  • MechanicalSoup -一個與網(wǎng)站自動交互Python庫。
  • mechanize -有狀態(tài)、可編程的Web瀏覽庫。
  • socket – 底層網(wǎng)絡(luò)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(wǎng)絡(luò)爬蟲框架

• 功能齊全的爬蟲
  • grab – 網(wǎng)絡(luò)爬蟲框架（基于pycurl/multicur）。
  • scrapy – 網(wǎng)絡(luò)爬蟲框架（基于twisted），不支持Python3。
  • pyspider – 一個強大的爬蟲系統(tǒng)。
  • 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(xiàn)。
  • html5lib – 根據(jù)WHATWG規(guī)范生成HTML/ XML文檔的DOM。該規(guī)范被用在現(xiàn)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(zhuǎn)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(zhuǎn)換為PDF。
  • untangle – 輕松實現(xiàn)將XML文件轉(zhuǎn)換為Python對象。
• 清理
  • Bleach – 清理HTML（需要html5lib）。
  • sanitize – 為混亂的數(shù)據(jù)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(zhuǎn)換

• unidecode – 將Unicode文本轉(zhuǎn)為ASCII。

• 字符編碼

• uniout – 打印可讀字符，而不是被轉(zhuǎn)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(zhuǎn)為拼音的庫。

• pangu.py – 格式化文本中CJK和字母數(shù)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(zhuǎn)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(xiàn)。

• 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(shù)據(jù)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(shù)據(jù)的工具。

• rows – 一個常用數(shù)據(jù)接口，支持的格式很多（目前支持CSV，HTML，XLS，TXT – 將來還會提供