这个列表包含与网页抓取和数据处理的Python库。

网络:

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。

网络爬虫框架

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。

HTML/XML解析器

4. lxml – C语言编写高效HTML/ XML处理库。支持XPath。

5. cssselect – 解析DOM树和CSS选择器。

6. pyquery – 解析DOM树和jQuery选择器。

7. BeautifulSoup – 低效HTML/ XML处理库，纯Python实现。

8. 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。

9. feedparser – 解析RSS/ATOM feeds。

10. MarkupSafe – 为XML/HTML/XHTML提供了安全转义的字符串。

11. 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。

文本处理

1. difflib – （Python标准库）帮助进行差异化比较。

2. Levenshtein – 快速计算Levenshtein距离和字符串相似度。

3. fuzzywuzzy – 模糊字符串匹配。

4. esmre – 正则表达式加速器。

5. ftfy – 自动整理Unicode文本，减少碎片化。

6. unidecode – 将Unicode文本转为ASCII。