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

阿新 • • 發佈：2019-03-11

開發十年，就只剩下這套架構體系了！ >>>

python爬蟲

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。

Python專欄二維碼

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