今天為大家整理了32個(gè)Python爬蟲(chóng)項(xiàng)目。

整理的原因是，爬蟲(chóng)入門(mén)簡(jiǎn)單快速，也非常適合新入門(mén)的小伙伴培養(yǎng)信心。所有鏈接指向GitHub，祝大家玩的愉快~O(∩_∩)O

WechatSogou [1]- 微信公眾號(hào)爬蟲(chóng)?；谒压肺⑿潘阉鞯奈⑿殴娞?hào)爬蟲(chóng)接口，可以擴(kuò)展成基于搜狗搜索的爬蟲(chóng)，返回結(jié)果是列表，每一項(xiàng)均是公眾號(hào)具體信息字典。

DouBanSpider [2]- 豆瓣讀書(shū)爬蟲(chóng)?？梢耘老露拱曜x書(shū)標(biāo)簽下的所有圖書(shū)，按評(píng)分排名依次存儲(chǔ)，存儲(chǔ)到Excel中，可方便大家篩選搜羅，比如篩選評(píng)價(jià)人數(shù)>1000的高分書(shū)籍；可依據(jù)不同的主題存儲(chǔ)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(shí)來(lái)更好的模仿瀏覽器行為，避免爬蟲(chóng)被封。

zhihu_spider [3]- 知乎爬蟲(chóng)。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(chóng)框架使用scrapy，數(shù)據(jù)存儲(chǔ)使用mongo

bilibili-user [4]- Bilibili用戶爬蟲(chóng)?？倲?shù)據(jù)數(shù)：20119918，抓取字段：用戶id，昵稱，性別，頭像，等級(jí)，經(jīng)驗(yàn)值，粉絲數(shù)，生日，地址，注冊(cè)時(shí)間，簽名，等級(jí)與經(jīng)驗(yàn)值等。抓取之后生成B站用戶數(shù)據(jù)報(bào)告。

SinaSpider [5]- 新浪微博爬蟲(chóng)。主要爬取新浪微博用戶的個(gè)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(guò)多賬號(hào)登錄來(lái)防止新浪的反扒。主要使用 scrapy 爬蟲(chóng)框架。

distribute_crawler [6]- 小說(shuō)下載分布式爬蟲(chóng)。使用scrapy,Redis, MongoDB,graphite實(shí)現(xiàn)的一個(gè)分布式網(wǎng)絡(luò)爬蟲(chóng),底層存儲(chǔ)MongoDB集群,分布式使用Redis實(shí)現(xiàn),爬蟲(chóng)狀態(tài)顯示使用graphite實(shí)現(xiàn)，主要針對(duì)一個(gè)小說(shuō)站點(diǎn)。

CnkiSpider [7]- 中國(guó)知網(wǎng)爬蟲(chóng)。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(chǔ)在/data目錄下，每個(gè)數(shù)據(jù)文件的第一行為字段名稱。

LianJiaSpider [8]- 鏈家網(wǎng)爬蟲(chóng)。爬取北京地區(qū)鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲(chóng)一文的全部代碼，包括鏈家模擬登錄代碼。

scrapy_jingdong [9]- 京東爬蟲(chóng)?；趕crapy的京東網(wǎng)站爬蟲(chóng)，保存格式為csv。

QQ-Groups-Spider [10]- QQ 群爬蟲(chóng)。批量抓取 QQ 群信息，包括群名稱、群號(hào)、群人數(shù)、群主、群簡(jiǎn)介等內(nèi)容，最終生成 XLS(X) / CSV 結(jié)果文件。

wooyun_public[11]-烏云爬蟲(chóng)。 烏云公開(kāi)漏洞、知識(shí)庫(kù)爬蟲(chóng)和搜索。全部公開(kāi)漏洞的列表和每個(gè)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(shí)（10M電信帶寬）；爬取全部知識(shí)庫(kù)，總共約500M空間。漏洞搜索使用了Flask作為web server，bootstrap作為前端。

spider[12]- hao123網(wǎng)站爬蟲(chóng)。以hao123為入口頁(yè)面，滾動(dòng)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(cè)試，目前每24個(gè)小時(shí)，可收集數(shù)據(jù)為10萬(wàn)左右

findtrip [13]- 機(jī)票爬蟲(chóng)（去哪兒和攜程網(wǎng)）。Findtrip是一個(gè)基于Scrapy的機(jī)票爬蟲(chóng)，目前整合了國(guó)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(chóng)

doubanspiders[15]- 豆瓣電影、書(shū)籍、小組、相冊(cè)、東西等爬蟲(chóng)集 writen by Python

QQSpider [16]- QQ空間爬蟲(chóng)，包括日志、說(shuō)說(shuō)、個(gè)人信息等，一天可抓取 400 萬(wàn)條數(shù)據(jù)。

baidu-music-spider [17]- 百度mp3全站爬蟲(chóng)，使用redis支持?jǐn)帱c(diǎn)續(xù)傳。

tbcrawler[18]- 淘寶和天貓的爬蟲(chóng),可以根據(jù)搜索關(guān)鍵詞,物品id來(lái)抓去頁(yè)面的信息，數(shù)據(jù)存儲(chǔ)在mongodb。

stockholm [19]- 一個(gè)股票數(shù)據(jù)（滬深）爬蟲(chóng)和選股策略測(cè)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(pán)爬蟲(chóng)。

Spider[21]-社交數(shù)據(jù)爬蟲(chóng)。支持微博,知乎,豆瓣。

proxy pool[22]-Python爬蟲(chóng)代理IP池(proxy pool)。

music-163[23]-爬取網(wǎng)易云音樂(lè)所有歌曲的評(píng)論。

jandan_spider[24]-爬取煎蛋妹紙圖片。

CnblogsSpider[25]-cnblogs列表頁(yè)爬蟲(chóng)。

spider_smooc[26]-爬取慕課網(wǎng)視頻。

CnkiSpider[27]-中國(guó)知網(wǎng)爬蟲(chóng)。

knowsecSpider2[28]-知道創(chuàng)宇爬蟲(chóng)題目。

aiss-spider[29]-愛(ài)絲APP圖片爬蟲(chóng)。

SinaSpider[30]-動(dòng)態(tài)IP解決新浪的反爬蟲(chóng)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

2018.8.2更新：

webspider[33]-本系統(tǒng)是一個(gè)主要使用python3, celery和requests來(lái)爬取職位數(shù)據(jù)的爬蟲(chóng)，實(shí)現(xiàn)了定時(shí)任務(wù)，出錯(cuò)重試，日志記錄，自動(dòng)更改Cookies等的功能，并使用ECharts + Bootstrap 來(lái)構(gòu)建前端頁(yè)面，來(lái)展示爬取到的數(shù)據(jù)。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評(píng)論