Python爬蟲開源項目代碼,爬取微信、淘寶、豆瓣、知乎、新浪微博、QQ、去哪網等 代碼整理
作者:SFLYQ
今天為大家整理了32個Python爬蟲項目。
整理的原因是,爬蟲入門簡單快速,也非常適合新入門的小夥伴培養信心。所有鏈接指向GitHub,祝大家玩的愉快~
1、WechatSogou [1]– 微信公眾號爬蟲。
基於搜狗微信搜索的微信公眾號爬蟲接口,可以擴展成基於搜狗搜索的爬蟲,返回結果是列表,每一項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>1000的高分書籍;可依據不同的主題存儲到Excel不同的Sheet ,采用User Agent偽裝為瀏覽器進行爬取,並加入隨機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。
此項目的功能是爬取知乎用戶信息以及人際拓撲關系,爬蟲框架使用scrapy,數據存儲使用mongo
github地址:https://github.com/LiuRoy/zhihu_spider
4、bilibili-user [4]– Bilibili用戶爬蟲。
總數據數:20119918,抓取字段:用戶id,昵稱,性別,頭像,等級,經驗值,粉絲數,生日,地址,註冊時間,簽名,等級與經驗值等。抓取之後生成B站用戶數據報告。
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、粉絲和關註。代碼獲取新浪微博Cookie進行登錄,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實現的一個分布式網絡爬蟲,底層存儲MongoDB集群,分布式使用Redis實現,爬蟲狀態顯示使用graphite實現,主要針對一個小說站點。
github地址:https://github.com/gnemoug/distribute_crawler
7、CnkiSpider [7]– 中國知網爬蟲。
設置檢索條件後,執行src/CnkiSpider.py抓取數據,抓取數據存儲在/data目錄下,每個數據文件的第一行為字段名稱。
github地址:https://github.com/yanzhou/CnkiSpider
8、LianJiaSpider [8]– 鏈家網爬蟲。
爬取北京地區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。
基於scrapy的京東網站爬蟲,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、群主、群簡介等內容,最終生成 XLS(X) / CSV 結果文件。
github地址:https://github.com/caspartse/QQ-Groups-Spider
11、wooyun_public[11]-烏雲爬蟲。
烏雲公開漏洞、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容存在MongoDB中,大概約2G內容;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網站爬蟲。
以hao123為入口頁面,滾動爬取外鏈,收集網址,並記錄網址上的內鏈和外鏈數目,記錄title等信息,windows7 32位上測試,目前每24個小時,可收集數據為10萬左右
13、findtrip [13]– 機票爬蟲(去哪兒和攜程網)。
Findtrip是一個基於Scrapy的機票爬蟲,目前整合了國內兩大機票網站(去哪兒 + 攜程)。
163spider [14] – 基於requests、MySQLdb、torndb的網易客戶端內容爬蟲
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,包括日誌、說說、個人信息等,一天可抓取 400 萬條數據。
baidu-music-spider [17]– 百度mp3全站爬蟲,使用redis支持斷點續傳。
tbcrawler[18]– 淘寶和天貓的爬蟲,可以根據搜索關鍵詞,物品id來抓去頁面的信息,數據存儲在mongodb。
stockholm [19]– 一個股票數據(滬深)爬蟲和選股策略測試框架。根據選定的日期範圍抓取所有滬深兩市股票的行情數據。支持使用表達式定義選股策略。支持多線程處理。保存數據到JSON文件、CSV文件。
BaiduyunSpider[20]-百度雲盤爬蟲。
Spider[21]-社交數據爬蟲。支持微博,知乎,豆瓣。
proxy pool[22]-Python爬蟲代理IP池(proxy pool)。
music-163[23]-爬取網易雲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]-爬取慕課網視頻。
CnkiSpider[27]-中國知網爬蟲。
knowsecSpider2[28]-知道創宇爬蟲題目。
aiss-spider[29]-愛絲APP圖片爬蟲。
SinaSpider[30]-動態IP解決新浪的反爬蟲機制,快速抓取內容。
csdn-spider[31]-爬取CSDN上的博客文章。
ProxySpider[32]-爬取西刺上的代理IP,並驗證代理可用性
Python爬蟲開源項目代碼,爬取微信、淘寶、豆瓣、知乎、新浪微博、QQ、去哪網等 代碼整理