10 библиотек Python: для чего нужны, как установить и выбрать

Библиотека Python — это набор готового кода (модулей), который вы подключаете через import и вызываете из своей программы, чтобы не писать с нуля HTTP-запросы, разбор таблиц или графики. Ниже — десять библиотек, которые чаще всего встречаются в вакансиях и учебных проектах, таблица «задача — что установить — как импортировать», один сквозной пример на четырех из них и разбор типовых ошибок установки.

Примеры проверены 23.09.2026 на Python 3.14.6 в виртуальном окружении.

Библиотека, модуль, пакет, фреймворк: в чем разница

Эти слова часто смешивают, а от них зависит, что писать в pip install и что в import.

• Модуль — один файл .py или скомпилированное расширение, которое можно импортировать.
• Пакет в коде — каталог с модулями (bs4, sklearn). Пакет на PyPI (дистрибутив) — то, что скачивает pip (beautifulsoup4, scikit-learn). Имена могут не совпадать.
• Библиотека — набор модулей под задачу; ваш код сам решает, когда ее вызвать.
• Фреймворк — наоборот, сам вызывает ваш код по своим правилам (Django, FastAPI): вы пишете обработчики, а он решает, когда их запустить.

Отдельно стоит стандартная библиотека — модули, которые идут вместе с интерпретатором: json, sqlite3, asyncio, tkinter, pathlib. Их не нужно ставить через pip. Поэтому в список ниже не вошли asyncio и tkinter: они полезны, но уже есть у вас в Python (tkinter в некоторых сборках Linux ставится отдельным системным пакетом).

10 библиотек: таблица задач и установки

FastAPI и Django стоят в одной категории «веб», поэтому строк одиннадцать: выбирают обычно одно из двух. Три строки с отличающимися именами (beautifulsoup4 -> bs4, pillow -> PIL, scikit-learn -> sklearn) — частая причина ошибок у новичков.

Как выбрать под задачу

Установка: сначала виртуальное окружение

Ставить библиотеки лучше не в системный Python, а в виртуальное окружение проекта. В свежих Debian, Ubuntu и Python от Homebrew системный pip вообще откажет с ошибкой externally-managed-environment (механизм PEP 668).

python3 -m venv .venv
source .venv/bin/activate        # в Windows: .venv\Scripts\activate
python -m pip install requests beautifulsoup4 pandas matplotlib pytest
python -m pip freeze > requirements.txt

Команда python -m pip гарантирует, что пакеты попадут в тот же интерпретатор, которым вы потом запускаете код. Файл requirements.txt фиксирует версии, чтобы проект собрался так же у коллеги и на сервере.

Пример 1: requests — запрос к API

import requests

try:
    resp = requests.get(
        "https://httpbin.org/get",
        params={"q": "python"},
        timeout=10,
    )
    resp.raise_for_status()
except requests.RequestException as exc:
    print("Ошибка запроса:", exc)
else:
    data = resp.json()
    print(resp.status_code, data["args"])

В консоли появится:

200 {'q': 'python'}

Что здесь важно. params сам кодирует параметры в URL — склеивать строку руками не нужно. timeout=10 обязателен: по умолчанию у requests таймаута нет, и при зависшем сервере программа будет ждать бесконечно. raise_for_status() превращает ответы 4xx и 5xx в исключение, иначе ошибка сервера пройдет молча.

Пример 2: HTML -> таблица -> статистика -> график

Один законченный скрипт на четырех библиотеках: BeautifulSoup разбирает HTML, pandas собирает таблицу, NumPy считает, Matplotlib сохраняет график. HTML задан строкой, чтобы пример работал без сети.

from bs4 import BeautifulSoup
import numpy as np
import pandas as pd
import matplotlib
matplotlib.use("Agg")  # рисуем в файл, без окна
import matplotlib.pyplot as plt

HTML = """
<table id="courses">
  <tr><td>Python Basic</td><td>4</td><td>120</td></tr>
  <tr><td>Python Pro</td><td>5</td><td>80</td></tr>
  <tr><td>ML Basic</td><td>5</td><td>95</td></tr>
</table>
"""

def parse(html: str) -> pd.DataFrame:
    soup = BeautifulSoup(html, "html.parser")
    rows = []
    for tr in soup.select("#courses tr"):
        name, months, students = (td.get_text(strip=True) for td in tr.find_all("td"))
        rows.append({"course": name, "months": int(months), "students": int(students)})
    return pd.DataFrame(rows)

df = parse(HTML)
print(df)
print("Среднее студентов:", np.mean(df["students"]).round(1))

ax = df.plot.bar(x="course", y="students", legend=False)
ax.set_ylabel("Студентов")
plt.tight_layout()
plt.savefig("students.png")
print("График сохранен в students.png")

Сохраните как report.py и запустите python report.py:

         course  months  students
0  Python Basic       4       120
1    Python Pro       5        80
2      ML Basic       5        95
Среднее студентов: 98.3
График сохранен в students.png

Рядом появится файл students.png со столбчатой диаграммой. Строка matplotlib.use("Agg") делает поведение предсказуемым и на сервере без экрана: график пишется в файл, окно не открывается; на своем компьютере вместо savefig можно вызвать plt.show(). Данные в таблице учебные.

Пример 3: pytest проверяет функцию parse

from report import parse

def test_parse_counts_rows():
    df = parse("<table id='courses'><tr><td>A</td><td>1</td><td>10</td></tr></table>")
    assert len(df) == 1
    assert df.loc[0, "students"] == 10

def test_parse_empty_table():
    df = parse("<table id='courses'></table>")
    assert df.empty

Файл test_report.py в той же папке, запуск python -m pytest -q:

..                                                                       [100%]
2 passed in 0.41s

pytest сам находит файлы test_*.py и функции test_*, а обычный assert превращает в понятный отчет при падении. Время выполнения у вас будет другим. Упрощение этого примера: при import выполняется весь report.py, включая печать и сохранение графика; в реальном проекте код запуска прячут под if __name__ == "__main__":.

Типовая ошибка: имя в pip не равно имени в import

Неверно:

import beautifulsoup4

Результат:

ModuleNotFoundError: No module named 'beautifulsoup4'

Исправление — импортировать пакет по его имени в коде: from bs4 import BeautifulSoup. То же с Pillow: ставится pillow, а импорт from PIL import Image; import pillow даст ModuleNotFoundError: No module named 'pillow'.

Если не получилось

Безопасность при работе с библиотеками

Сторонний пакет исполняет код с правами вашей программы, поэтому несколько правил стоит соблюдать с первого проекта. Точно проверяйте имя пакета перед установкой: на PyPI встречаются подделки с похожими именами. Фиксируйте версии в requirements.txt или lock-файле и обновляйте их осознанно.

В requests не отключайте проверку сертификата (verify=False) ради «чтобы заработало» — это открывает подмену ответа. При парсинге сайтов соблюдайте условия сайта и не собирайте персональные данные без оснований. Сохраненные модели scikit-learn (через joblib или pickle) загружайте только из доверенного источника: загрузка такого файла может выполнить произвольный код.

Выводы

• Библиотеку вызывает ваш код, фреймворк вызывает ваш код сам; модули стандартной библиотеки (asyncio, tkinter, json) ставить не нужно.
• Десять самых ходовых сторонних библиотек закрывают основные задачи: HTTP, вычисления, таблицы, графики, веб, тесты, БД, парсинг HTML, изображения и ML.
• Имя в pip install и в import может отличаться: beautifulsoup4 -> bs4, pillow -> PIL, scikit-learn -> sklearn.
• Ставить пакеты в виртуальное окружение через python -m pip и фиксировать версии.
• У сетевых запросов всегда задавать timeout, проверку сертификатов не отключать, чужие pickle-файлы не загружать.

Где применяется / связь с практикой

FAQ

Чем NumPy отличается от pandas?
NumPy работает с однотипными массивами чисел и быстрыми операциями над ними. pandas строится поверх NumPy и добавляет таблицы с подписанными колонками, разными типами данных, чтением CSV и группировками.

Нужен ли Six в 2026 году?
Для нового кода нет: Six решал совместимость Python 2 и 3, а Python 2 не поддерживается с 2020 года. Он может встретиться только как зависимость старых проектов.

Как узнать, какая версия библиотеки установлена?
Команда python -m pip show <пакет> или в коде print(<модуль>.__version__) для библиотек, которые публикуют этот атрибут (requests, numpy, pandas).