![rHSxmUemPwpEEYRhk2kK.png]()
项目地址：lorien/awesome-web-scraping
GitHub上awesome系列之Python的爬虫工具。
本列表包含Python网页抓取和数据处理相关的库。
网络相关
- 异步
- treq - 基于twisted、与requests类似的API
- aiohttp - asyncio的HTTP客户端/服务器 (PEP-3156)
网络爬虫框架
HTML/XML解析
文本处理
解析及操作文本的库
特殊格式处理
处理特编辑特殊字符格式的库
- 通用
- tablib - 处理XLS, CSV, JSON, YAML等表格数据的库
- textract - 从任何文档中提取文本，支持Word, PowerPoint, PDF等
- messytables - 杂乱的表格数据解析
- rows - 支持多种格式的通用且美观的表格数据处理器(现有CSV, HTML, XLS, TXT -- 即将支持更多)
- Office
- python-docx - 阅读，查询和修改Microsoft Word 2007/2008 docx文件
- xlwt / xlrd - 从Excel读取及写入数据和格式化信息
- XlsxWriter - 用于穿件Excel .xlsx文件的Python模块
- xlwings - 一个BSD许可的库，是Excel与Python互相调用更加简单
- openpyxl - 可读取、编辑Excel 2010xlsx/xlsm/xltx/xltm文件的库
- Marmir - 提取Python数据结构并将其转化为表格的库
- 可移植的执行体
- pefile - 一个多平台的用于解析和处理可移植执行体（即PE）文件的模块
- PSD
- psd-tools - 将Adobe Photoshop PSD（即PE）文件读取到Python数据结构
自然语言处理
自然语言处理库
浏览器自动化与仿真
- 浏览器
- selenium - 自动化真实浏览器(Chrome, Firefox, Opera, IE)
- Ghost.py - QtWebKit封装(需求PyQT)
- Spynner - 具备AJAX支持的程序化网页浏览模块
- Splinter - 通用API浏览器模拟器（selenium web驱动，Django客户端，Zope）
多进程并发
异步
异步网络编程库
队列
- celery - 基于分布式消息传递的异步任务队列/作业队列
- huey - 小型多线程任务队列
- mrq - Mr. Queue - 使用redis & Gevent 的Python分布式工作任务队列
- RQ - 基于Redis的轻量级任务队列管理器
- simpleq - 一个简单的，可无限扩展，基于Amazon SQS的队列
- python-gearman - Gearman的Python API
云计算
电子邮件
电子邮件处理库
URL和网络地址操作
URL和网络地址操作库
- URL
- furl - 一个小的Python库，使得操纵URL简单化
- purl - 一个简单的不可改变的URL以及一个干净的用于调试和操作的API
- urllib.parse - 用于打破统一资源定位器（URL）的字符串在组件（寻址方案，网络位置，路径等）之间的隔断，为了结合组件到一个URL字符串，并将“相对URL”转化为一个绝对URL，称之为“基本URL”（标准库）
- tldextract - 使用公共后缀列表从URL的注册域和子域中准确分离TLD
- 网络地址
网页内容提取
网页内容提取库
WebSocket
用于WebSocket的库
DNS解析
- dnsyo - 在全球超过1500个的DNS服务器上检查你的DNS
- pycares - ic-ares的接口。c-ares是进行DNS请求和异步名称决议的C语言库
计算机视觉
- OpenCV - 开源计算机视觉库
- SimpleCV - 用于照相机、图像处理、特征提取、格式转换的简介，可读性强的接口（基于OpenCV）
- mahotas - 快速计算机图像处理算法（完全使用 C++ 实现），完全基于 numpy 的数组作为它的数据类型
代理服务器
- shadowsocks - 一个快速隧道代理，可帮你穿透防火墙（支持TCP和UDP，TFO，多用户和平滑重启，目的IP黑名单）
- tproxy - tproxy是一个简单的TCP路由代理（第7层），基于Gevent，用Python进行配置
杂项
- user_agent - 此模块用于生成随机，有效的Web导航器的配置和用户代理HTTP header
其他
![微信图片_20180125161136.png]()
更多文章：SDK.cn
