|
作者：SFLYQ 今天為大家整理了32個Python爬蟲項(xiàng)目。 整理的原因是，爬蟲入門簡單快速，也非常適合新入門的小伙伴培養(yǎng)信心。所有鏈接指向GitHub，祝大家玩的愉快~ 1、WechatSogou [1]– 微信公眾號爬蟲。 基于搜狗微信搜索的微信公眾號爬蟲接口，可以擴(kuò)展成基于搜狗搜索的爬蟲，返回結(jié)果是列表，每一項(xiàng)均是公眾號具體信息字典。 github地址：https://github.com/Chyroc/WechatSogou 2、DouBanSpider [2]– 豆瓣讀書爬蟲。 可以爬下豆瓣讀書標(biāo)簽下的所有圖書，按評分排名依次存儲，存儲到Excel中，可方便大家篩選搜羅，比如篩選評價人數(shù)>1000的高分書籍；可依據(jù)不同的主題存儲到Excel不同的Sheet ，采用User Agent偽裝為瀏覽器進(jìn)行爬取，并加入隨機(jī)延時來更好的模仿瀏覽器行為，避免爬蟲被封。 github地址：https://github.com/lanbing510/DouBanSpider 3、zhihu_spider [3]– 知乎爬蟲。 此項(xiàng)目的功能是爬取知乎用戶信息以及人際拓?fù)潢P(guān)系，爬蟲框架使用scrapy，數(shù)據(jù)存儲使用mongo github地址：https://github.com/LiuRoy/zhihu_spider 4、bilibili-user [4]– Bilibili用戶爬蟲。 總數(shù)據(jù)數(shù)：20119918，抓取字段：用戶id，昵稱，性別，頭像，等級，經(jīng)驗(yàn)值，粉絲數(shù)，生日，地址，注冊時間，簽名，等級與經(jīng)驗(yàn)值等。抓取之后生成B站用戶數(shù)據(jù)報(bào)告。 github地址：https://github.com/airingursb/bilibili-user 5、SinaSpider [5]– 新浪微博爬蟲。 主要爬取新浪微博用戶的個人信息、微博信息、粉絲和關(guān)注。代碼獲取新浪微博Cookie進(jìn)行登錄，可通過多賬號登錄來防止新浪的反扒。主要使用 scrapy 爬蟲框架。 github地址：https://github.com/LiuXingMing/SinaSpider 6、distribute_crawler [6]– 小說下載分布式爬蟲。 使用scrapy,Redis, MongoDB,graphite實(shí)現(xiàn)的一個分布式網(wǎng)絡(luò)爬蟲,底層存儲MongoDB集群,分布式使用Redis實(shí)現(xiàn),爬蟲狀態(tài)顯示使用graphite實(shí)現(xiàn)，主要針對一個小說站點(diǎn)。 github地址：https://github.com/gnemoug/distribute_crawler 7、CnkiSpider [7]– 中國知網(wǎng)爬蟲。 設(shè)置檢索條件后，執(zhí)行src/CnkiSpider.py抓取數(shù)據(jù)，抓取數(shù)據(jù)存儲在/data目錄下，每個數(shù)據(jù)文件的第一行為字段名稱。 github地址：https://github.com/yanzhou/CnkiSpider 8、LianJiaSpider [8]– 鏈家網(wǎng)爬蟲。 爬取北京地區(qū)鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲一文的全部代碼，包括鏈家模擬登錄代碼。 github地址：https://github.com/lanbing510/LianJiaSpider 9、scrapy_jingdong [9]– 京東爬蟲。 基于scrapy的京東網(wǎng)站爬蟲，保存格式為csv。 github地址：https://github.com/taizilongxu/scrapy_jingdong 10、QQ-Groups-Spider [10]– QQ 群爬蟲。 批量抓取 QQ 群信息，包括群名稱、群號、群人數(shù)、群主、群簡介等內(nèi)容，最終生成 XLS(X) / CSV 結(jié)果文件。 github地址：https://github.com/caspartse/QQ-Groups-Spider 11、wooyun_public[11]-烏云爬蟲。 烏云公開漏洞、知識庫爬蟲和搜索。全部公開漏洞的列表和每個漏洞的文本內(nèi)容存在MongoDB中，大概約2G內(nèi)容；如果整站爬全部文本和圖片作為離線查詢，大概需要10G空間、2小時（10M電信帶寬）；爬取全部知識庫，總共約500M空間。漏洞搜索使用了Flask作為web server，bootstrap作為前端。 12、spider[12]– hao123網(wǎng)站爬蟲。 以hao123為入口頁面，滾動爬取外鏈，收集網(wǎng)址，并記錄網(wǎng)址上的內(nèi)鏈和外鏈數(shù)目，記錄title等信息，windows7 32位上測試，目前每24個小時，可收集數(shù)據(jù)為10萬左右 13、findtrip [13]– 機(jī)票爬蟲（去哪兒和攜程網(wǎng)）。 Findtrip是一個基于Scrapy的機(jī)票爬蟲，目前整合了國內(nèi)兩大機(jī)票網(wǎng)站（去哪兒 + 攜程）。 163spider [14] – 基于requests、MySQLdb、torndb的網(wǎng)易客戶端內(nèi)容爬蟲 doubanspiders[15]– 豆瓣電影、書籍、小組、相冊、東西等爬蟲集 QQSpider [16]– QQ空間爬蟲，包括日志、說說、個人信息等，一天可抓取 400 萬條數(shù)據(jù)。 baidu-music-spider [17]– 百度mp3全站爬蟲，使用redis支持?jǐn)帱c(diǎn)續(xù)傳。 tbcrawler[18]– 淘寶和天貓的爬蟲,可以根據(jù)搜索關(guān)鍵詞,物品id來抓去頁面的信息，數(shù)據(jù)存儲在mongodb。 stockholm [19]– 一個股票數(shù)據(jù)（滬深）爬蟲和選股策略測試框架。根據(jù)選定的日期范圍抓取所有滬深兩市股票的行情數(shù)據(jù)。支持使用表達(dá)式定義選股策略。支持多線程處理。保存數(shù)據(jù)到JSON文件、CSV文件。 BaiduyunSpider[20]-百度云盤爬蟲。 Spider[21]-社交數(shù)據(jù)爬蟲。支持微博,知乎,豆瓣。 proxy pool[22]-Python爬蟲代理IP池(proxy pool)。 music-163[23]-爬取網(wǎng)易云音樂所有歌曲的評論。 jandan_spider[24]-爬取煎蛋妹紙圖片。 CnblogsSpider[25]-cnblogs列表頁爬蟲。 spider_smooc[26]-爬取慕課網(wǎng)視頻。 CnkiSpider[27]-中國知網(wǎng)爬蟲。 knowsecSpider2[28]-知道創(chuàng)宇爬蟲題目。 aiss-spider[29]-愛絲APP圖片爬蟲。 SinaSpider[30]-動態(tài)IP解決新浪的反爬蟲機(jī)制，快速抓取內(nèi)容。 csdn-spider[31]-爬取CSDN上的博客文章。 ProxySpider[32]-爬取西刺上的代理IP，并驗(yàn)證代理可用性  |
|
|
