Python网络爬虫实战项目代码集合-不定时更新

更新时间:2018-10-06 分类:资源共享 浏览量:34847

本文来自知乎专栏-Python中文社区-Python网络爬虫实战项目代码大全(长期更新,欢迎补充)

[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。项目代码地址:GitHub托管 | GitHub

[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。项目代码地址:GitHub托管

Python网络爬虫实战项目代码集合

[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,下载这些数据感觉也没什么用,就当为大家学习scrapy提供一个例子吧。项目代码地址:GitHub托管

[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。项目代码地址:GitHub托管 报告演示:点击这里

[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。项目代码地址:GitHub托管

[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。项目代码地址:GitHub托管

[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。项目代码地址:GitHub托管

[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。项目代码地址:GitHub托管

[9]scrapy_jingdong - 京东爬虫。基于scrapy的京东网站爬虫,保存格式为csv。项目代码地址:GitHub托管

[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。项目代码地址:GitHub托管

[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。项目代码地址:GitHub托管

[12]QunarSpider - 去哪儿网爬虫。 网络爬虫之Selenium使用代理登陆:爬取去哪儿网站,使用selenium模拟浏览器登陆,获取翻页操作。代理可以存入一个文件,程序读取并使用。支持多进程抓取。项目代码地址:GitHub托管

[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)。项目代码地址:GitHub托管

[14]163spider - 基于requests、MySQLdb、torndb的网易客户端内容爬虫。项目代码地址:GitHub托管

[15]doubanspiders - 豆瓣电影、书籍、小组、相册、东西等爬虫集。项目代码地址:GitHub托管

[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。项目代码地址:GitHub托管

[17]baidu-music-spider - 百度mp3全站爬虫,使用redis支持断点续传。项目代码地址:GitHub托管

[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。项目代码地址:GitHub托管

[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。项目代码地址:GitHub托管

[20]BaiduyunSpider - 爱百应,百度云网盘搜索引擎。包含百度云网盘爬虫、网站前后端、搜索,整套服务。项目代码地址:GitHub托管 安装部署:点击查看教程