Python庫大全，建議收藏留用！

學Python，想必你們都是從爬蟲開始的吧。畢竟網上相似的資源很豐富，開源項目也很是多。

Python學習網絡爬蟲主要分3個大的版塊：抓取，分析，存儲

當咱們在瀏覽器中輸入一個url後回車，後臺會發生什麼？

簡單來講這段過程發生瞭如下四個步驟：

1. 查找域名對應的IP地址。

2. 向IP對應的服務器發送請求。

3. 服務器響應請求，發回網頁內容。

4. 瀏覽器解析網頁內容。

那麼學習爬蟲須要掌握哪些庫呢？

通用：

urllib -網絡庫(stdlib)。

** requests_html -網絡請求庫，基於requests之上的新版本requests庫 **

requests -網絡庫。

grab – 網絡庫（基於pycurl）。

pycurl – 網絡庫（綁定libcurl）。

urllib3 – Python HTTP庫，安全鏈接池、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，無需獨立的瀏覽器便可瀏覽網頁。

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是一套可用於多種語言的輕量級的HTTP庫。

hyper – Python的HTTP/2客戶端。

PySocks – SocksiPy更新並積極維護的版本，包括錯誤修復和一些其餘的特徵。做爲socket模塊的直接替換。

網絡爬蟲框架

功能齊全的爬蟲

grab – 網絡爬蟲框架（基於pycurl/multicur）。

scrapy – 網絡爬蟲框架（基於twisted），不支持Python3。

pyspider – 一個強大的爬蟲系統。

cola – 一個分佈式爬蟲框架。

其餘

portia – 基於Scrapy的可視化爬蟲。

restkit – Python的HTTP資源工具包。它可讓你輕鬆地訪問HTTP資源，並圍繞它創建的對象。

demiurge – 基於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規範生成HTML/ XML文檔的DOM。該規範被用在如今全部的瀏覽器上。

feedparser – 解析RSS/ATOM feeds。

MarkupSafe – 爲XML/HTML/XHTML提供了安全轉義的字符串。

xmltodict – 一個可讓你在處理XML時感受像在處理JSON同樣的Python模塊。

xhtml2pdf – 將HTML/CSS轉換爲PDF。

untangle – 輕鬆實現將XML文件轉換爲Python對象。

清理

Bleach – 清理HTML（須要html5lib）。

sanitize – 爲混亂的數據世界帶來清明。

文本處理

用於解析和操做簡單文本的庫。

通用

difflib – （Python標準庫）幫助進行差別化比較。

Levenshtein – 快速計算Levenshtein距離和字符串類似度。

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，減小碎片化。

天然語言處理

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。他有天然語言處理工具，機器學習以及其它。

TextBlob – 爲深刻天然語言處理任務提供了一致的API。是基於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 – 另外一箇中文分詞庫。

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（須要PyQT）。

Spynner – 對PyQt的webkit的封裝（須要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。對於I/O密集型任務頗有效。對於CPU綁定的任務沒用，由於python GIL。

multiprocessing – 標準的Python庫運行多進程。

celery – 基於分佈式消息傳遞的異步任務隊列/做業隊列。

concurrent-futures – concurrent-futures 模塊爲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 – 基於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事件驅動的併發框架。

diesel – Python的基於綠色事件的I/O框架。

gevent – 一個使用greenlet 的基於協程的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 – 基於分佈式消息傳遞的異步任務隊列/做業隊列。

huey – 小型多線程任務隊列。

mrq – Mr. Queue – 使用redis & Gevent 的Python分佈式工做任務隊列。

RQ – 基於Redis的輕量級任務隊列管理器。

simpleq – 一個簡單的，可無限擴展，基於Amazon SQS的隊列。

python-gearman – Gearman的Python API。

雲計算

picloud – 雲端執行Python代碼。

dominoup.com – 雲端執行R，Python和matlab代碼

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轉爲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

WebSocket

用於WebSocket的庫。

Crossbar – 開源的應用消息傳遞路由器（Python實現的用於Autobahn的WebSocket和WAMP）。

AutobahnPython – 提供了WebSocket協議和WAMP協議的Python實現而且開源。

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 – 用於照相機、圖像處理、特徵提取、格式轉換的簡介，可讀性強的接口（基於OpenCV）。

mahotas – 快速計算機圖像處理算法（徹底使用 C++ 實現），徹底基於 numpy 的數組做爲它的數據類型。