23个Python爬虫开源项目代码：微信、淘宝、豆瓣、知乎、微博...
来源：Python数据科学
今天为大家整理了23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，微信不能直接打开，老规矩，可以用电脑打开。
1. WechatSogou – 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. DouBanSpider – 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
3. zhihu_spider – 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
4. bilibili-user – 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
5. SinaSpider – 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
6. distribute_crawler – 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
7. CnkiSpider – 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
8. LianJiaSpider – 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
9. scrapy_jingdong – 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
10. QQ-Groups-Spider – 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
11. wooyun_public -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
12. spider – 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
13. findtrip – 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
14. 163spider – 基于requests、MySQLdb、torndb的网易客户端内容爬虫
https://github.com/leyle/163spider
15. doubanspiders – 豆瓣电影、书籍、小组、相册、东西等爬虫集
https://github.com/fanpei91/doubanspiders
16. QQSpider – 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
17. baidu-music-spider – 百度mp3全站爬虫，使用redis支持断点续传。
https://github.com/Shu-Ji/baidu-music-spider
18. tbcrawler – 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
19. stockholm – 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
20. BaiduyunSpider - 百度云盘爬虫。
https://github.com/k1995/BaiduyunSpider
21. Spider - 社交数据爬虫。支持微博,知乎,豆瓣。
https://github.com/Qutan/Spider
22. proxy pool - Python爬虫代理IP池(proxy pool)。
https://github.com/jhao104/proxy_pool
23. music-163 - 爬取网易云音乐所有歌曲的评论。
https://github.com/RitterHou/music-163
关注微信公众号：互联网架构师，在后台回复：2T，可以获取我整理的教程，都是干货。
猜你喜欢
1、GitHub 标星 3.2w！史上最全技术人员面试手册！FackBoo发起和总结
2、如何才能成为优秀的架构师？
3、从零开始搭建创业公司后台技术栈
4、程序员一般可以从什么平台接私活？
5、37岁程序员被裁，120天没找到工作，无奈去小公司，结果懵了...
6、滴滴业务中台构建实践，首次曝光
7、不认命，从10年流水线工人，到谷歌上班的程序媛，一位湖南妹子的励志故事
8、15张图看懂瞎忙和高效的区别
9、2T架构师学习资料干货分享