32个Python爬虫项目

川长思鸟来 2022-05-10 04:46 204阅读 0赞

今天为大家整理了32个Python爬虫项目。  
整理的原因是，爬虫入门简单快速，也非常适合新入门的小伙伴培养信心。所有链接指向GitHub，祝大家玩的愉快~O(∩\_∩)O

[WechatSogou \[1\]][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。

[DouBanSpider \[2\]][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 \[3\]][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-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 \[5\]][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 \[6\]][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 \[7\]][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 \[8\]][CnkiSpider _7]\- 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 \[9\]][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 \[10\]][scrapy_jingdong _9]\- 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\[11\]][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。

[spider\[12\]][wooyun_public_11]\- 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

[findtrip \[13\]][wooyun_public_11]\- 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 \[14\]][163spider _14] - 基于requests、MySQLdb、torndb的网易客户端内容爬虫

[doubanspiders\[15\]][doubanspiders_15]\- 豆瓣电影、书籍、小组、相册、东西等爬虫集

[QQSpider \[16\]][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 \[17\]][baidu-music-spider _17]\- 百度mp3全站爬虫，使用redis支持断点续传。

[tbcrawler\[18\]][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 \[19\]][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。

[BaiduyunSpider\[20\]][BaiduyunSpider_20]\-百度云盘爬虫。

[Spider\[21\]][Spider_21]\-社交数据爬虫。支持微博,知乎,豆瓣。

[proxy pool\[22\]][Spider_21]\-Python爬虫代理IP池(proxy pool)。

[music-163\[23\]][music-163_23]\-爬取网易云音乐所有歌曲的评论。

[jandan\_spider\[24\]][music-163_23]\-爬取煎蛋妹纸图片。

[CnblogsSpider\[25\]][CnblogsSpider_25]\-cnblogs列表页爬虫。

[spider\_smooc\[26\]][CnblogsSpider_25]\-爬取慕课网视频。

[CnkiSpider\[27\]][CnkiSpider _7]\-中国知网爬虫。

[knowsecSpider2\[28\]][knowsecSpider2_28]\-知道创宇爬虫题目。

[aiss-spider\[29\]][aiss-spider_29]\-爱丝APP图片爬虫。

[SinaSpider\[30\]][SinaSpider_30]\-动态IP解决新浪的反爬虫机制，快速抓取内容。

[csdn-spider\[31\]][csdn-spider_31]\-爬取CSDN上的博客文章。

[ProxySpider\[32\]][ProxySpider_32]\-爬取西刺上的代理IP，并验证代理可用性

2018.8.2更新：

[webspider\[33\]][webspider_33]\-本系统是一个主要使用python3, celery和requests来爬取职位数据的爬虫，实现了定时任务，出错重试，日志记录，自动更改Cookies等的功能，并使用ECharts + Bootstrap 来构建前端页面，来展示爬取到的数据。

文章出处：NoBB开发圈

这篇日志的 t.cn 短域名为：[http://t.cn/RCoUvOA][http_t.cn_RCoUvOA]

转载请注明来自[华盟网][Link 1]，本文标题：[《32个Python爬虫项目让你一次吃到撑》][32_Python]

[WechatSogou _1]: http://link.zhihu.com/?target=https%3A//github.com/Chyroc/WechatSogou
[DouBanSpider _2]: http://link.zhihu.com/?target=https%3A//github.com/lanbing510/DouBanSpider
[zhihu_spider _3]: https://github.com/LiuRoy/zhihu_spider
[bilibili-user _4]: http://link.zhihu.com/?target=https%3A//github.com/airingursb/bilibili-user
[SinaSpider _5]: https://github.com/LiuXingMing/SinaSpider
[distribute_crawler _6]: http://link.zhihu.com/?target=https%3A//github.com/gnemoug/distribute_crawler
[CnkiSpider _7]: http://link.zhihu.com/?target=https%3A//github.com/yanzhou/CnkiSpider
[scrapy_jingdong _9]: http://link.zhihu.com/?target=https%3A//github.com/taizilongxu/scrapy_jingdong
[wooyun_public_11]: http://link.zhihu.com/?target=https%3A//github.com/hanc00l/wooyun_public
[163spider _14]: http://link.zhihu.com/?target=https%3A//github.com/leyle/163spider
[doubanspiders_15]: http://link.zhihu.com/?target=https%3A//github.com/dontcontactme/doubanspiders
[QQSpider _16]: http://link.zhihu.com/?target=https%3A//github.com/LiuXingMing/QQSpider
[baidu-music-spider _17]: http://link.zhihu.com/?target=https%3A//github.com/Shu-Ji/baidu-music-spider
[tbcrawler_18]: https://github.com/pakoo/tbcrawler
[stockholm _19]: https://github.com/benitoro/stockholm
[BaiduyunSpider_20]: https://github.com/k1995/BaiduyunSpider
[Spider_21]: http://link.zhihu.com/?target=https%3A//github.com/Qutan/Spider
[music-163_23]: http://link.zhihu.com/?target=https%3A//github.com/RitterHou/music-163
[CnblogsSpider_25]: http://link.zhihu.com/?target=https%3A//github.com/jackgitgz/CnblogsSpider
[knowsecSpider2_28]: http://link.zhihu.com/?target=https%3A//github.com/littlethunder/knowsecSpider2
[aiss-spider_29]: http://link.zhihu.com/?target=https%3A//github.com/x-spiders/aiss-spider
[SinaSpider_30]: https://github.com/szcf-weiya/SinaSpider
[csdn-spider_31]: http://link.zhihu.com/?target=https%3A//github.com/Kevinsss/csdn-spider
[ProxySpider_32]: http://link.zhihu.com/?target=https%3A//github.com/changetjut/ProxySpider
[webspider_33]: https://github.com/GuozhuHe/webspider
[http_t.cn_RCoUvOA]: http://t.cn/RCoUvOA
[Link 1]: https://www.77169.com/
[32_Python]: https://www.77169.com/html/170460.html