今天為大家整理了32個(gè)Python爬蟲項(xiàng)目。
整理的原因是梧喷，爬蟲入門簡(jiǎn)單快速砌左，也非常適合新入門的小伙伴培養(yǎng)信心。所有鏈接指向GitHub伤柄，祝大家玩的愉快~O(∩_∩)O
WechatSogou [1]- 微信公眾號(hào)爬蟲绊困。基于搜狗微信搜索的微信公眾號(hào)爬蟲接口适刀，可以擴(kuò)展成基于搜狗搜索的爬蟲秤朗，返回結(jié)果是列表，每一項(xiàng)均是公眾號(hào)具體信息字典笔喉。
DouBanSpider [2]- 豆瓣讀書爬蟲取视。可以爬下豆瓣讀書標(biāo)簽下的所有圖書常挚，按評(píng)分排名依次存儲(chǔ)作谭，存儲(chǔ)到Excel中，可方便大家篩選搜羅奄毡，比如篩選評(píng)價(jià)人數(shù)>1000的高分書籍折欠；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)行爬取吼过，并加入隨機(jī)延時(shí)來(lái)更好的模仿瀏覽器行為锐秦，避免爬蟲被封。
zhihu_spider [3]- 知乎爬蟲盗忱。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)系酱床，爬蟲框架使用scrapy，數(shù)據(jù)存儲(chǔ)使用mongo
bilibili-user [4]- Bilibili用戶爬蟲趟佃∩纫ィ總數(shù)據(jù)數(shù)：20119918昧捷，抓取字段：用戶id，昵稱罐寨，性別靡挥，頭像，等級(jí)衩茸，經(jīng)驗(yàn)值芹血，粉絲數(shù)贮泞，生日楞慈，地址，注冊(cè)時(shí)間啃擦，簽名囊蓝，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)告令蛉。
SinaSpider [5]- 新浪微博爬蟲聚霜。主要爬取新浪微博用戶的個(gè)人信息、微博信息珠叔、粉絲和關(guān)注蝎宇。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)防止新浪的反扒祷安。主要使用 scrapy 爬蟲框架姥芥。
distribute_crawler [6]- 小說(shuō)下載分布式爬蟲。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(chǔ)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)汇鞭，主要針對(duì)一個(gè)小說(shuō)站點(diǎn)凉唐。
CnkiSpider [7]- 中國(guó)知網(wǎng)爬蟲。設(shè)置檢索條件后霍骄，執(zhí)行src/CnkiSpider.py抓取數(shù)據(jù)台囱，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读整。
LianJiaSpider [8]- 鏈家網(wǎng)爬蟲簿训。爬取北京地區(qū)鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲一文的全部代碼米间，包括鏈家模擬登錄代碼强品。
scrapy_jingdong [9]- 京東爬蟲〕瞪。基于scrapy的京東網(wǎng)站爬蟲择懂，保存格式為csv。
QQ-Groups-Spider [10]- QQ 群爬蟲另玖。批量抓取 QQ 群信息困曙，包括群名稱表伦、群號(hào)、群人數(shù)慷丽、群主蹦哼、群簡(jiǎn)介等內(nèi)容，最終生成 XLS(X) / CSV 結(jié)果文件要糊。
wooyun_public[11]-烏云爬蟲纲熏。 烏云公開漏洞、知識(shí)庫(kù)爬蟲和搜索锄俄。全部公開漏洞的列表和每個(gè)漏洞的文本內(nèi)容存在MongoDB中局劲，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奶赠，大概需要10G空間鱼填、2小時(shí)（10M電信帶寬）；爬取全部知識(shí)庫(kù)毅戈，總共約500M空間苹丸。漏洞搜索使用了Flask作為web server，bootstrap作為前端苇经。
spider[12]- hao123網(wǎng)站爬蟲赘理。以hao123為入口頁(yè)面，滾動(dòng)爬取外鏈扇单，收集網(wǎng)址商模，并記錄網(wǎng)址上的內(nèi)鏈和外鏈數(shù)目，記錄title等信息令花，windows7 32位上測(cè)試阻桅，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（去哪兒和攜程網(wǎng)）兼都。Findtrip是一個(gè)基于Scrapy的機(jī)票爬蟲嫂沉，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扮碧、MySQLdb趟章、torndb的網(wǎng)易客戶端內(nèi)容爬蟲
doubanspiders[15]- 豆瓣電影、書籍慎王、小組蚓土、相冊(cè)、東西等爬蟲集
QQSpider [16]- QQ空間爬蟲赖淤，包括日志蜀漆、說(shuō)說(shuō)、個(gè)人信息等咱旱，一天可抓取 400 萬(wàn)條數(shù)據(jù)确丢。
baidu-music-spider [17]- 百度mp3全站爬蟲绷耍，使用redis支持?jǐn)帱c(diǎn)續(xù)傳。
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(lái)抓去頁(yè)面的信息鲜侥，數(shù)據(jù)存儲(chǔ)在mongodb褂始。
stockholm [19]- 一個(gè)股票數(shù)據(jù)（滬深）爬蟲和選股策略測(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)描函。支持使用表達(dá)式定義選股策略崎苗。支持多線程處理。保存數(shù)據(jù)到JSON文件舀寓、CSV文件胆数。
BaiduyunSpider[20]-百度云盤爬蟲。
Spider[21]-社交數(shù)據(jù)爬蟲基公。支持微博,知乎,豆瓣幅慌。
proxy pool[22]-Python爬蟲代理IP池(proxy pool)宋欺。
music-163[23]-爬取網(wǎng)易云音樂(lè)所有歌曲的評(píng)論轰豆。
jandan_spider[24]-爬取煎蛋妹紙圖片。
CnblogsSpider[25]-cnblogs列表頁(yè)爬蟲齿诞。
spider_smooc[26]-爬取慕課網(wǎng)視頻酸休。
CnkiSpider[27]-中國(guó)知網(wǎng)爬蟲。
knowsecSpider2[28]-知道創(chuàng)宇爬蟲題目祷杈。
aiss-spider[29]-愛絲APP圖片爬蟲斑司。
SinaSpider[30]-動(dòng)態(tài)IP解決新浪的反爬蟲機(jī)制，快速抓取內(nèi)容但汞。
csdn-spider[31]-爬取CSDN上的博客文章宿刮。
ProxySpider[32]-爬取西刺上的代理IP，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(lái)爬取職位數(shù)據(jù)的爬蟲私蕾，實(shí)現(xiàn)了定時(shí)任務(wù)僵缺，出錯(cuò)重試，日志記錄踩叭，自動(dòng)更改Cookies等的功能磕潮，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)容贝。
