23個Python爬蟲開源專案程式碼,包含微信、淘寶、豆瓣、知乎、微博等
今天為大家整理了23個Python爬蟲專案。整理的原因是,爬蟲入門簡單快速,也非常適合新入門的小夥伴培養信心,所有連結指向GitHub,微信不能直接開啟,老規矩,可以用電腦開啟。
關注公眾號「Python專欄」,後臺回覆:爬蟲書籍,獲取2本Python爬蟲相關電子書。
1. WechatSogou – 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。
github地址:
https://github.com/Chyroc/WechatSogou
2. DouBanSpider – 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。
github地址:
https://github.com/lanbing510/DouBanSpider
3. zhihu_spider – 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
github地址:
https://github.com/LiuRoy/zhihu_spider
4. bilibili-user – 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站使用者資料報告。
github地址:
https://github.com/airingursb/bilibili-user
5. SinaSpider – 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。
github地址:
https://github.com/LiuXingMing/SinaSpider
6. distribute_crawler – 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。
github地址:
https://github.com/gnemoug/distribute_crawler
7. CnkiSpider – 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。
github地址:
https://github.com/yanzhou/CnkiSpider
8. LianJiaSpider – 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。
github地址:
https://github.com/lanbing510/LianJiaSpider
9. scrapy_jingdong – 京東爬蟲。
基於scrapy的京東網站爬蟲,儲存格式為csv。
github地址:
https://github.com/taizilongxu/scrapy_jingdong
10. QQ-Groups-Spider – 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。
github地址:
https://github.com/caspartse/QQ-Groups-Spider
11. wooyun_public - 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。
https://github.com/hanc00l/wooyun_public
12. spider – 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
https://github.com/simapple/spider
13. findtrip – 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)。
https://github.com/fankcoder/findtrip
14. 163spider
基於requests、MySQLdb、torndb的網易客戶端內容爬蟲
https://github.com/leyle/163spider
15. doubanspiders
豆瓣電影、書籍、小組、相簿、東西等爬蟲集
https://github.com/fanpei91/doubanspiders
16. QQSpider
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。
https://github.com/LiuXingMing/QQSpider
17. baidu-music-spider
百度mp3全站爬蟲,使用redis支援斷點續傳。
https://github.com/Shu-Ji/baidu-music-spider
18. tbcrawler
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。
https://github.com/pakoo/tbcrawler
19. stockholm
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。
https://github.com/benitoro/stockholm
20. BaiduyunSpider - 百度雲盤爬蟲。
https://github.com/k1995/BaiduyunSpider
21. Spider
社交資料爬蟲。支援微博,知乎,豆瓣。
https://github.com/Qutan/Spider
22. proxy pool
Python爬蟲代理IP池(proxy pool)。
https://github.com/jhao104/proxy_pool
23. music-163
爬取網易雲音樂所有歌曲的評論。