爬虫模块大全

网络

• 通用

1. urllib -网络库(stdlib)。
2. requests -网络库。
3. grab – 网络库（基于pycurl）。
4. pycurl – 网络库（绑定libcurl）。
5. urllib3 – Python HTTP库，安全连接池、支持文件post、可用性高。
6. httplib2 – 网络库。
7. RoboBrowser – 一个简单的、极具Python风格的Python库，无需独立的浏览器即可浏览网页。
8. MechanicalSoup -一个与网站自动交互Python库。
9. mechanize -有状态、可编程的Web浏览库。
10. socket – 底层网络接口(stdlib)。
11. Unirest for Python – Unirest是一套可用于多种语言的轻量级的HTTP库。
12. hyper – Python的HTTP/2客户端。
13. PySocks – SocksiPy更新并积极维护的版本，包括错误修复和一些其他的特征。作为socket模块的直接替换。

• 异步

1. treq – 类似于requests的API（基于twisted）。
2. grequests – 封装了gevent+requests模块的grequests模块
3. aiohttp – asyncio的HTTP客户端/服务器(PEP-3156)。

网络爬虫框架

• 功能齐全的爬虫

1. grab – 网络爬虫框架（基于pycurl/multicur）。
2. scrapy – 网络爬虫框架（基于twisted），不支持Python3。
3. pyspider – 一个强大的爬虫系统。
4. cola – 一个分布式爬虫框架。

• 其他

1. portia – 基于Scrapy的可视化爬虫。
2. restkit – Python的HTTP资源工具包。它可以让你轻松地访问HTTP资源，并围绕它建立的对象。
3. demiurge – 基于PyQuery的爬虫微框架。

HTML/XML解析器

• 通用

1. lxml – C语言编写高效HTML/ XML处理库。支持XPath。
2. cssselect – 解析DOM树和CSS选择器。
3. pyquery – 解析DOM树和jQuery选择器。
4. BeautifulSoup – 低效HTML/ XML处理库，纯Python实现。
5. html5lib – 根据WHATWG规范生成HTML/ XML文档的DOM。该规范被用在现在所有的浏览器上。
6. feedparser – 解析RSS/ATOM feeds。
7. MarkupSafe – 为XML/HTML/XHTML提供了安全转义的字符串。
8. xmltodict – 一个可以让你在处理XML时感觉像在处理JSON一样的Python模块。
9. xhtml2pdf – 将HTML/CSS转换为PDF。
10. untangle – 轻松实现将XML文件转换为Python对象。

• 清理

1. Bleach – 清理HTML（需要html5lib）。
2. sanitize – 为混乱的数据世界带来清明。