分享一些Python爬虫实例项目

绝地灬酷狼 2022-05-13 02:12 309阅读 0赞

[WechatSogou][] \[1\]- [微信][Link 1]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。

[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。

[zhihu\_spider][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

[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。

[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。

[distribute\_crawler][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。

[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。

[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。

[scrapy\_jingdong][scrapy_jingdong] \[9\]- 京东爬虫。基于scrapy的京东网站爬虫，保存格式为csv。

[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。

[wooyun\_public][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。

[QunarSpider][] \[12\]- 去哪儿网爬虫。 网络爬虫之Selenium使用代理登陆：爬取去哪儿网站，使用selenium模拟浏览器登陆，获取翻页操作。代理可以存入一个文件，程序读取并使用。支持多进程抓取。

[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）。

[163spider][] \[14\] - 基于requests、MySQLdb、torndb的网易客户端内容爬虫

[doubanspiders][]\[15\]- 豆瓣电影、书籍、小组、相册、东西等爬虫集

[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。

[baidu-music-spider][] \[17\]- 百度mp3全站爬虫，使用redis支持断点续传。

[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。

[stockholm][] \[19\]- 一个股票数据（沪深）爬虫和选股策略[测试][Link 2]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。

[BaiduyunSpider][]\[20\]-百度云盘爬虫。

\------------------------------------------------------

[关于我][Link 3]，前往[个人域名][Link 4]

期望和大家一起学习，共同进步，共勉

欢迎交流问题，可加个人QQ 469580884

或者，加我的群号 **751925591**，一起探讨交流问题

不讲虚的，只做实干家

Talk is cheap，show me the code

![20180411181545874][]

[WechatSogou]: https://github.com/Chyroc/WechatSogou
[Link 1]: http://lib.csdn.net/base/wechat
[DouBanSpider]: https://github.com/lanbing510/DouBanSpider
[zhihu_spider]: https://github.com/LiuRoy/zhihu_spider
[bilibili-user]: https://github.com/airingursb/bilibili-user
[SinaSpider]: https://github.com/LiuXingMing/SinaSpider
[distribute_crawler]: https://github.com/gnemoug/distribute_crawler
[Redis]: http://lib.csdn.net/base/redis
[MongoDB]: http://lib.csdn.net/base/mongodb
[CnkiSpider]: https://github.com/yanzhou/CnkiSpider
[LianJiaSpider]: https://github.com/lanbing510/LianJiaSpider
[scrapy_jingdong]: https://github.com/taizilongxu/scrapy_jingdong
[QQ-Groups-Spider]: https://github.com/caspartse/QQ-Groups-Spider
[wooyun_public]: https://github.com/hanc00l/wooyun_public
[QunarSpider]: https://github.com/lining0806/QunarSpider
[findtrip]: https://github.com/fankcoder/findtrip
[163spider]: https://github.com/leyle/163spider
[doubanspiders]: https://github.com/dontcontactme/doubanspiders
[QQSpider]: https://github.com/LiuXingMing/QQSpider
[baidu-music-spider]: https://github.com/Shu-Ji/baidu-music-spider
[tbcrawler]: https://github.com/pakoo/tbcrawler
[stockholm]: https://github.com/benitoro/stockholm
[Link 2]: http://lib.csdn.net/base/softwaretest
[BaiduyunSpider]: https://github.com/k1995/BaiduyunSpider
[Link 3]: http://heminit.com/about/
[Link 4]: http://heminit.com/
[20180411181545874]: /images/20220513/44272db432244ea1a315fb69245f8676.png