Python爬虫开源项目代码(爬取微信、淘宝、豆瓣、知乎、新浪微博、QQ、去哪网 等等)

文章目录

  • 1、简介
  • 2、开源项目Github
    • 2.1、WechatSogou [1]– 微信公众号爬虫
    • 2.2、DouBanSpider [2]– 豆瓣读书爬虫
    • 2.3、zhihu_spider [3]– 知乎爬虫
    • 2.4、bilibili-user [4]– Bilibili用户爬虫
    • 2.5、SinaSpider [5]– 新浪微博爬虫
    • 2.6、distribute_crawler [6]– 小说下载分布式爬虫
    • 2.7、CnkiSpider [7]– 中国知网爬虫
    • 2.8、LianJiaSpider [8]– 链家网爬虫
    • 2.9、scrapy_jingdong [9]– 京东爬虫
    • 2.10、QQ-Groups-Spider [10]– QQ 群爬虫
    • 2.11、wooyun_public[11]-乌云爬虫
    • 2.12、spider[12]– hao123网站爬虫
    • 2.13、findtrip [13]– 机票爬虫(去哪儿和携程网)
    • 2.14、163spider [14] – 基于requests、MySQLdb、torndb的网易客户端内容爬虫
    • 2.15、doubanspiders[15]– 豆瓣电影、书籍、小组、相册、东西等爬虫集
    • 2.16、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
    • 2.17、baidu-music-spider [17]– 百度mp3全站爬虫,使用redis支持断点续传
    • 2.18、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
    • 2.19、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
    • 2.20BaiduyunSpider[20]-百度云盘爬虫
    • 2.21、Spider[21]-社交数据爬虫。支持微博,知乎,豆瓣
    • 2.22、proxy pool[22]-Python爬虫代理IP池(proxy pool)
    • 2.23、music-163[23]-爬取网易云音乐所有歌曲的评论
    • 2.24、jandan_spider[24]-爬取煎蛋妹纸图片
    • 2.25、CnblogsSpider[25]-cnblogs列表页爬虫
    • 2.26、spider_smooc[26]-爬取慕课网视频
    • 2.27、CnkiSpider[27]-中国知网爬虫
    • 2.28、knowsecSpider2[28]-知道创宇爬虫题目
    • 2.29、aiss-spider[29]-爱丝APP图片爬虫
    • 2.30、SinaSpider[30]-动态IP解决新浪的反爬虫机制,快速抓取内容
    • 2.31、csdn-spider[31]-爬取CSDN上的博客文章
    • 2.32、ProxySpider[32]-爬取西刺上的代理IP,并验证代理可用性

1、简介

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~

2、开源项目Github

2.1、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。

github地址:https://github.com/Chyroc/WechatSogou

2.2、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。

github地址:https://github.com/lanbing510/DouBanSpider

2.3、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

github地址:https://github.com/LiuRoy/zhihu_spider

2.4、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。

github地址:https://github.com/airingursb/bilibili-user

2.5、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。

github地址:https://github.com/LiuXingMing/SinaSpider

2.6、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。

github地址:https://github.com/gnemoug/distribute_crawler

2.7、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。

github地址:https://github.com/yanzhou/CnkiSpider

2.8、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

2.9、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

2.10、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

2.11、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。

https://github.com/hanc00l/wooyun_public

2.12、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

2.13、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

2.14、163spider [14] – 基于requests、MySQLdb、torndb的网易客户端内容爬虫

https://github.com/leyle/163spider

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

https://github.com/fanpei91/doubanspiders

2.16、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

https://github.com/LiuXingMing/QQSpider

2.17、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

2.18、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

https://github.com/pakoo/tbcrawler

2.19、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

https://github.com/benitoro/stockholm

2.20BaiduyunSpider[20]-百度云盘爬虫

https://github.com/k1995/BaiduyunSpider

2.21、Spider[21]-社交数据爬虫。支持微博,知乎,豆瓣

https://github.com/Qutan/Spider

2.22、proxy pool[22]-Python爬虫代理IP池(proxy pool)

https://github.com/jhao104/proxy_pool

2.23、music-163[23]-爬取网易云音乐所有歌曲的评论

https://github.com/RitterHou/music-163

2.24、jandan_spider[24]-爬取煎蛋妹纸图片

使用selenium爬取煎蛋妹纸图片(Python3)

https://github.com/Tony-Chiong/jandan_spider

2.25、CnblogsSpider[25]-cnblogs列表页爬虫

https://github.com/jackgitgz/CnblogsSpider

2.26、spider_smooc[26]-爬取慕课网视频

https://github.com/qiyeboy/spider_smooc

2.27、CnkiSpider[27]-中国知网爬虫

https://github.com/yanzhou/CnkiSpider

2.28、knowsecSpider2[28]-知道创宇爬虫题目

https://github.com/littlethunder/knowsecSpider2

2.29、aiss-spider[29]-爱丝APP图片爬虫

https://github.com/x-spiders/aiss-spider

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

https://github.com/LiuXingMing/SinaSpider

2.31、csdn-spider[31]-爬取CSDN上的博客文章

https://github.com/Kevinsss/csdn-spider

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

https://github.com/zhangchenchen/proxyspider

你可能感兴趣的:(//Python)