33個Python爬蟲專案

三名狂客發表於2017-12-11

WechatSogou [1]- 微信公眾號爬蟲。基於搜狗微信搜尋的微信公眾號爬蟲介面,可以擴充套件成基於搜狗搜尋的爬蟲,返回結果是列表,每一項均是公眾號具體資訊字典。

DouBanSpider [2]- 豆瓣讀書爬蟲。可以爬下豆瓣讀書標籤下的所有圖書,按評分排名依次儲存,儲存到Excel中,可方便大家篩選蒐羅,比如篩選評價人數>1000的高分書籍;可依據不同的主題儲存到Excel不同的Sheet ,採用User Agent偽裝為瀏覽器進行爬取,並加入隨機延時來更好的模仿瀏覽器行為,避免爬蟲被封。

zhihu_spider [3]- 知乎爬蟲。此專案的功能是爬取知乎使用者資訊以及人際拓撲關係,爬蟲框架使用scrapy,資料儲存使用mongo

bilibili-user [4]- Bilibili使用者爬蟲。總資料數:20119918,抓取欄位:使用者id,暱稱,性別,頭像,等級,經驗值,粉絲數,生日,地址,註冊時間,簽名,等級與經驗值等。抓取之後生成B站使用者資料包告。

SinaSpider [5]- 新浪微博爬蟲。主要爬取新浪微博使用者的個人資訊、微博資訊、粉絲和關注。程式碼獲取新浪微博Cookie進行登入,可通過多賬號登入來防止新浪的反扒。主要使用 scrapy 爬蟲框架。

distribute_crawler [6]- 小說下載分散式爬蟲。使用scrapy,Redis, MongoDB,graphite實現的一個分散式網路爬蟲,底層儲存MongoDB叢集,分散式使用Redis實現,爬蟲狀態顯示使用graphite實現,主要針對一個小說站點。

CnkiSpider [7]- 中國知網爬蟲。設定檢索條件後,執行src/CnkiSpider.py抓取資料,抓取資料儲存在/data目錄下,每個資料檔案的第一行為欄位名稱。

LianJiaSpider [8]- 鏈家網爬蟲。爬取北京地區鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲一文的全部程式碼,包括鏈家模擬登入程式碼。

scrapy_jingdong [9]- 京東爬蟲。基於scrapy的京東網站爬蟲,儲存格式為csv。

QQ-Groups-Spider [10]- QQ 群爬蟲。批量抓取 QQ 群資訊,包括群名稱、群號、群人數、群主、群簡介等內容,最終生成 XLS(X) / CSV 結果檔案。

wooyun_public[11]-烏雲爬蟲。 烏雲公開漏洞、知識庫爬蟲和搜尋。全部公開漏洞的列表和每個漏洞的文字內容存在MongoDB中,大概約2G內容;如果整站爬全部文字和圖片作為離線查詢,大概需要10G空間、2小時(10M電信頻寬);爬取全部知識庫,總共約500M空間。漏洞搜尋使用了Flask作為web server,bootstrap作為前端。

spider[12]- hao123網站爬蟲。以hao123為入口頁面,滾動爬取外鏈,收集網址,並記錄網址上的內鏈和外鏈數目,記錄title等資訊,windows7 32位上測試,目前每24個小時,可收集資料為10萬左右

findtrip [13]- 機票爬蟲(去哪兒和攜程網)。Findtrip是一個基於Scrapy的機票爬蟲,目前整合了國內兩大機票網站(去哪兒 + 攜程)。

163spider [14] - 基於requests、MySQLdb、torndb的網易客戶端內容爬蟲

doubanspiders[15]- 豆瓣電影、書籍、小組、相簿、東西等爬蟲集

QQSpider [16]- QQ空間爬蟲,包括日誌、說說、個人資訊等,一天可抓取 400 萬條資料。

baidu-music-spider [17]- 百度mp3全站爬蟲,使用redis支援斷點續傳。

tbcrawler[18]- 淘寶和天貓的爬蟲,可以根據搜尋關鍵詞,物品id來抓去頁面的資訊,資料儲存在mongodb。

stockholm [19]- 一個股票資料(滬深)爬蟲和選股策略測試框架。根據選定的日期範圍抓取所有滬深兩市股票的行情資料。支援使用表示式定義選股策略。支援多執行緒處理。儲存資料到JSON檔案、CSV檔案。

BaiduyunSpider[20]-百度雲盤爬蟲。

Spider[21]-社交資料爬蟲。支援微博,知乎,豆瓣。

proxy pool[22]-Python爬蟲代理IP池(proxy pool)。

music-163[23]-爬取網易雲音樂所有歌曲的評論。

jandan_spider[24]-爬取煎蛋妹紙圖片。

CnblogsSpider[25]-cnblogs列表頁爬蟲。

spider_smooc[26]-爬取慕課網視訊。

CnkiSpider[27]-中國知網爬蟲。

knowsecSpider2[28]-知道創宇爬蟲題目。

aiss-spider[29]-愛絲APP圖片爬蟲。

SinaSpider[30]-動態IP解決新浪的反爬蟲機制,快速抓取內容。

csdn-spider[31]-爬取CSDN上的部落格文章。

ProxySpider[32]-爬取西刺上的代理IP,並驗證代理可用性

更新:

webspider[33]-本系統是一個主要使用python3, celery和requests來爬取職位資料的爬蟲,實現了定時任務,出錯重試,日誌記錄,自動更改Cookies等的功能,並使用ECharts + Bootstrap 來構建前端頁面,來展示爬取到的資料。

相關文章