今天為大家整理了32個(gè)Python爬蟲項(xiàng)目劫哼。
整理的原因是皂吮，爬蟲入門簡單快速，也非常適合新入門的小伙伴培養(yǎng)信心脑奠。所有鏈接指向GitHub，祝大家玩的愉快~O(∩_∩)O
WechatSogou [1]- 微信公眾號爬蟲幅慌∷纹郏基于搜狗微信搜索的微信公眾號爬蟲接口，可以擴(kuò)展成基于搜狗搜索的爬蟲胰伍，返回結(jié)果是列表齿诞，每一項(xiàng)均是公眾號具體信息字典。
DouBanSpider [2]- 豆瓣讀書爬蟲骂租〉昏荆可以爬下豆瓣讀書標(biāo)簽下的所有圖書，按評分排名依次存儲渗饮，存儲到Excel中但汞，可方便大家篩選搜羅，比如篩選評價(jià)人數(shù)>1000的高分書籍互站；可依據(jù)不同的主題存儲到Excel不同的Sheet 特占，采用User Agent偽裝為瀏覽器進(jìn)行爬取，并加入隨機(jī)延時(shí)來更好的模仿瀏覽器行為云茸，避免爬蟲被封。
zhihu_spider [3]- 知乎爬蟲谤饭。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)系标捺，爬蟲框架使用scrapy，數(shù)據(jù)存儲使用mongo
bilibili-user [4]- Bilibili用戶爬蟲揉抵⊥鋈荩總數(shù)據(jù)數(shù)：20119918，抓取字段：用戶id冤今，昵稱闺兢，性別，頭像戏罢，等級屋谭，經(jīng)驗(yàn)值，粉絲數(shù)龟糕，生日桐磁，地址，注冊時(shí)間讲岁，簽名我擂，等級與經(jīng)驗(yàn)值等衬以。抓取之后生成B站用戶數(shù)據(jù)報(bào)告。
SinaSpider [5]- 新浪微博爬蟲校摩。主要爬取新浪微博用戶的個(gè)人信息看峻、微博信息、粉絲和關(guān)注衙吩。代碼獲取新浪微博Cookie進(jìn)行登錄互妓，可通過多賬號登錄來防止新浪的反扒。主要使用 scrapy 爬蟲框架分井。
distribute_crawler [6]- 小說下載分布式爬蟲车猬。使用scrapy,Redis, MongoDB,graphite實(shí)現(xiàn)的一個(gè)分布式網(wǎng)絡(luò)爬蟲,底層存儲MongoDB集群,分布式使用Redis實(shí)現(xiàn),爬蟲狀態(tài)顯示使用graphite實(shí)現(xiàn)，主要針對一個(gè)小說站點(diǎn)尺锚。
CnkiSpider [7]- 中國知網(wǎng)爬蟲珠闰。設(shè)置檢索條件后，執(zhí)行src/CnkiSpider.py抓取數(shù)據(jù)瘫辩，抓取數(shù)據(jù)存儲在/data目錄下伏嗜，每個(gè)數(shù)據(jù)文件的第一行為字段名稱。
LianJiaSpider [8]- 鏈家網(wǎng)爬蟲伐厌。爬取北京地區(qū)鏈家歷年二手房成交記錄承绸。涵蓋鏈家爬蟲一文的全部代碼，包括鏈家模擬登錄代碼挣轨。
scrapy_jingdong [9]- 京東爬蟲军熏。基于scrapy的京東網(wǎng)站爬蟲卷扮，保存格式為csv荡澎。
QQ-Groups-Spider [10]- QQ 群爬蟲。批量抓取 QQ 群信息晤锹，包括群名稱摩幔、群號、群人數(shù)鞭铆、群主或衡、群簡介等內(nèi)容，最終生成 XLS(X) / CSV 結(jié)果文件车遂。
wooyun_public[11]-烏云爬蟲封断。 烏云公開漏洞、知識庫爬蟲和搜索舶担。全部公開漏洞的列表和每個(gè)漏洞的文本內(nèi)容存在MongoDB中澄港，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柄沮，大概需要10G空間回梧、2小時(shí)（10M電信帶寬）废岂；爬取全部知識庫，總共約500M空間狱意。漏洞搜索使用了Flask作為web server湖苞，bootstrap作為前端。
spider[12]- hao123網(wǎng)站爬蟲详囤。以hao123為入口頁面财骨，滾動(dòng)爬取外鏈，收集網(wǎng)址藏姐，并記錄網(wǎng)址上的內(nèi)鏈和外鏈數(shù)目隆箩，記錄title等信息，windows7 32位上測試羔杨，目前每24個(gè)小時(shí)捌臊，可收集數(shù)據(jù)為10萬左右
findtrip [13]- 機(jī)票爬蟲（去哪兒和攜程網(wǎng)）。Findtrip是一個(gè)基于Scrapy的機(jī)票爬蟲兜材，目前整合了國內(nèi)兩大機(jī)票網(wǎng)站（去哪兒 + 攜程）理澎。
163spider [14] - 基于requests、MySQLdb曙寡、torndb的網(wǎng)易客戶端內(nèi)容爬蟲
doubanspiders[15]- 豆瓣電影糠爬、書籍、小組举庶、相冊执隧、東西等爬蟲集
QQSpider [16]- QQ空間爬蟲，包括日志户侥、說說殴玛、個(gè)人信息等，一天可抓取 400 萬條數(shù)據(jù)添祸。
baidu-music-spider [17]- 百度mp3全站爬蟲，使用redis支持?jǐn)帱c(diǎn)續(xù)傳寻仗。
tbcrawler[18]- 淘寶和天貓的爬蟲,可以根據(jù)搜索關(guān)鍵詞,物品id來抓去頁面的信息刃泌，數(shù)據(jù)存儲在mongodb。
stockholm [19]- 一個(gè)股票數(shù)據(jù)（滬深）爬蟲和選股策略測試框架署尤。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)耙替。支持使用表達(dá)式定義選股策略。支持多線程處理曹体。保存數(shù)據(jù)到JSON文件俗扇、CSV文件。
BaiduyunSpider[20]-百度云盤爬蟲箕别。
Spider[21]-社交數(shù)據(jù)爬蟲铜幽。支持微博,知乎,豆瓣滞谢。
proxy pool[22]-Python爬蟲代理IP池(proxy pool)。
music-163[23]-爬取網(wǎng)易云音樂所有歌曲的評論除抛。
jandan_spider[24]-爬取煎蛋妹紙圖片狮杨。
CnblogsSpider[25]-cnblogs列表頁爬蟲。
spider_smooc[26]-爬取慕課網(wǎng)視頻到忽。
CnkiSpider[27]-中國知網(wǎng)爬蟲橄教。
knowsecSpider2[28]-知道創(chuàng)宇爬蟲題目。
aiss-spider[29]-愛絲APP圖片爬蟲喘漏。
SinaSpider[30]-動(dòng)態(tài)IP解決新浪的反爬蟲機(jī)制护蝶，快速抓取內(nèi)容。
csdn-spider[31]-爬取CSDN上的博客文章翩迈。
ProxySpider[32]-爬取西刺上的代理IP持灰，并驗(yàn)證代理可用性
webspider[33]-本系統(tǒng)是一個(gè)主要使用python3, celery和requests來爬取職位數(shù)據(jù)的爬蟲，實(shí)現(xiàn)了定時(shí)任務(wù)帽馋，出錯(cuò)重試搅方，日志記錄，自動(dòng)更改Cookies等的功能绽族，并使用ECharts + Bootstrap 來構(gòu)建前端頁面姨涡，來展示爬取到的數(shù)據(jù)。
微信公眾號id：PythonWork吧慢，歡迎加入涛漂，一起學(xué)python。關(guān)注即有500g學(xué)習(xí)資源免費(fèi)送检诗。
