Python 爬虫进公司必会项目

缺乏、安全感 2021-06-24 15:58 693阅读 0赞

WechatSogou \[1\]– 微信公众号爬虫。  
基于搜狗微信搜索的微信公众号爬虫接口，可以扩展成基于搜狗搜索的爬虫，返回结果是列表，每一项均是公众号具体信息字典。  
github地址：  
[https://github.com/Chyroc/WechatSogou][https_github.com_Chyroc_WechatSogou]

DouBanSpider \[2\]– 豆瓣读书爬虫。  
可以爬下豆瓣读书标签下的所有图书，按评分排名依次存储，存储到Excel中，可方便大家筛选搜罗，比如筛选评价人数>1000的高分书籍；可依据不同的主题存储到Excel不同的Sheet ，采用User Agent伪装为浏览器进行爬取，并加入随机延时来更好的模仿浏览器行为，避免爬虫被封。  
github地址：  
[https://github.com/lanbing510/DouBanSpider][https_github.com_lanbing510_DouBanSpider]

zhihu\_spider \[3\]– 知乎爬虫。  
此项目的功能是爬取知乎用户信息以及人际拓扑关系，爬虫框架使用scrapy，数据存储使用mongo  
github地址：  
[https://github.com/LiuRoy/zhihu\_spider][https_github.com_LiuRoy_zhihu_spider]

bilibili-user \[4\]– Bilibili用户爬虫。  
总数据数：20119918，抓取字段：用户id，昵称，性别，头像，等级，经验值，粉丝数，生日，地址，注册时间，签名，等级与经验值等。抓取之后生成B站用户数据报告。  
github地址：  
[https://github.com/airingursb/bilibili-user][https_github.com_airingursb_bilibili-user]

SinaSpider \[5\]– 新浪微博爬虫。  
主要爬取新浪微博用户的个人信息、微博信息、粉丝和关注。代码获取新浪微博Cookie进行登录，可通过多账号登录来防止新浪的反扒。主要使用 scrapy 爬虫框架。  
github地址：  
[https://github.com/LiuXingMing/SinaSpider][https_github.com_LiuXingMing_SinaSpider]

distribute\_crawler \[6\]– 小说下载分布式爬虫。  
使用scrapy,Redis, MongoDB,graphite实现的一个分布式网络爬虫,底层存储MongoDB集群,分布式使用Redis实现,爬虫状态显示使用graphite实现，主要针对一个小说站点。  
github地址：  
[https://github.com/gnemoug/distribute\_crawler][https_github.com_gnemoug_distribute_crawler]

CnkiSpider \[7\]– 中国知网爬虫。  
设置检索条件后，执行src/CnkiSpider.py抓取数据，抓取数据存储在/data目录下，每个数据文件的第一行为字段名称。  
github地址：  
[https://github.com/yanzhou/CnkiSpider][https_github.com_yanzhou_CnkiSpider]

LianJiaSpider \[8\]– 链家网爬虫。  
爬取北京地区链家历年二手房成交记录。涵盖链家爬虫一文的全部代码，包括链家模拟登录代码。  
github地址：  
[https://github.com/lanbing510/LianJiaSpider][https_github.com_lanbing510_LianJiaSpider]

scrapy\_jingdong \[9\]– 京东爬虫。  
基于scrapy的京东网站爬虫，保存格式为csv。  
github地址：  
[https://github.com/taizilongxu/scrapy\_jingdong][https_github.com_taizilongxu_scrapy_jingdong]

QQ-Groups-Spider \[10\]– QQ 群爬虫。  
批量抓取 QQ 群信息，包括群名称、群号、群人数、群主、群简介等内容，最终生成 XLS(X) / CSV 结果文件。  
github地址：[https://github.com/caspartse/QQ-Groups-Spider][https_github.com_caspartse_QQ-Groups-Spider]

wooyun\_public\[11\]-乌云爬虫。  
乌云公开漏洞、知识库爬虫和搜索。全部公开漏洞的列表和每个漏洞的文本内容存在MongoDB中，大概约2G内容；如果整站爬全部文本和图片作为离线查询，大概需要10G空间、2小时（10M电信带宽）；爬取全部知识库，总共约500M空间。漏洞搜索使用了Flask作为web server，bootstrap作为前端。  
[https://github.com/hanc00l/wooyun\_public][https_github.com_hanc00l_wooyun_public]

spider\[12\]– hao123网站爬虫。  
以hao123为入口页面，滚动爬取外链，收集网址，并记录网址上的内链和外链数目，记录title等信息，windows7 32位上测试，目前每24个小时，可收集数据为10万左右  
[https://github.com/simapple/spider][https_github.com_simapple_spider]  
findtrip \[13\]– 机票爬虫（去哪儿和携程网）。  
Findtrip是一个基于Scrapy的机票爬虫，目前整合了国内两大机票网站（去哪儿 + 携程）。  
[https://github.com/fankcoder/findtrip][https_github.com_fankcoder_findtrip]

163spider \[14\] – 基于requests、MySQLdb、torndb的网易客户端内容爬虫  
[https://github.com/leyle/163spider][https_github.com_leyle_163spider]

doubanspiders\[15\]– 豆瓣电影、书籍、小组、相册、东西等爬虫集  
[https://github.com/fanpei91/doubanspiders][https_github.com_fanpei91_doubanspiders]

QQSpider \[16\]– QQ空间爬虫，包括日志、说说、个人信息等，一天可抓取 400 万条数据。  
[https://github.com/LiuXingMing/QQSpider][https_github.com_LiuXingMing_QQSpider]

baidu-music-spider \[17\]– 百度mp3全站爬虫，使用redis支持断点续传。  
[https://github.com/Shu-Ji/baidu-music-spider][https_github.com_Shu-Ji_baidu-music-spider]

tbcrawler\[18\]– 淘宝和天猫的爬虫,可以根据搜索关键词,物品id来抓去页面的信息，数据存储在mongodb。  
[https://github.com/pakoo/tbcrawler][https_github.com_pakoo_tbcrawler]

stockholm \[19\]– 一个股票数据（沪深）爬虫和选股策略测试框架。根据选定的日期范围抓取所有沪深两市股票的行情数据。支持使用表达式定义选股策略。支持多线程处理。保存数据到JSON文件、CSV文件。  
[https://github.com/benitoro/stockholm][https_github.com_benitoro_stockholm]

BaiduyunSpider\[20\]-百度云盘爬虫。  
[https://github.com/k1995/BaiduyunSpider][https_github.com_k1995_BaiduyunSpider]

Spider\[21\]-社交数据爬虫。支持微博,知乎,豆瓣。  
[https://github.com/Qutan/Spider][https_github.com_Qutan_Spider]

proxy pool\[22\]-Python爬虫代理IP池(proxy pool)。  
[https://github.com/jhao104/proxy\_pool][https_github.com_jhao104_proxy_pool]

music-163\[23\]-爬取网易云音乐所有歌曲的评论。  
[https://github.com/RitterHou/music-163][https_github.com_RitterHou_music-163]

转载：[http://www.sohu.com/a/166385794\_804770][http_www.sohu.com_a_166385794_804770]

[https_github.com_Chyroc_WechatSogou]: https://github.com/Chyroc/WechatSogou
[https_github.com_lanbing510_DouBanSpider]: https://github.com/lanbing510/DouBanSpider
[https_github.com_LiuRoy_zhihu_spider]: https://github.com/LiuRoy/zhihu_spider
[https_github.com_airingursb_bilibili-user]: https://github.com/airingursb/bilibili-user
[https_github.com_LiuXingMing_SinaSpider]: https://github.com/LiuXingMing/SinaSpider
[https_github.com_gnemoug_distribute_crawler]: https://github.com/gnemoug/distribute_crawler
[https_github.com_yanzhou_CnkiSpider]: https://github.com/yanzhou/CnkiSpider
[https_github.com_lanbing510_LianJiaSpider]: https://github.com/lanbing510/LianJiaSpider
[https_github.com_taizilongxu_scrapy_jingdong]: https://github.com/taizilongxu/scrapy_jingdong
[https_github.com_caspartse_QQ-Groups-Spider]: https://github.com/caspartse/QQ-Groups-Spider
[https_github.com_hanc00l_wooyun_public]: https://github.com/hanc00l/wooyun_public
[https_github.com_simapple_spider]: https://github.com/simapple/spider
[https_github.com_fankcoder_findtrip]: https://github.com/fankcoder/findtrip
[https_github.com_leyle_163spider]: https://github.com/leyle/163spider
[https_github.com_fanpei91_doubanspiders]: https://github.com/fanpei91/doubanspiders
[https_github.com_LiuXingMing_QQSpider]: https://github.com/LiuXingMing/QQSpider
[https_github.com_Shu-Ji_baidu-music-spider]: https://github.com/Shu-Ji/baidu-music-spider
[https_github.com_pakoo_tbcrawler]: https://github.com/pakoo/tbcrawler
[https_github.com_benitoro_stockholm]: https://github.com/benitoro/stockholm
[https_github.com_k1995_BaiduyunSpider]: https://github.com/k1995/BaiduyunSpider
[https_github.com_Qutan_Spider]: https://github.com/Qutan/Spider
[https_github.com_jhao104_proxy_pool]: https://github.com/jhao104/proxy_pool
[https_github.com_RitterHou_music-163]: https://github.com/RitterHou/music-163
[http_www.sohu.com_a_166385794_804770]: http://www.sohu.com/a/166385794_804770