首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >python爬虫必会的23个项目

python爬虫必会的23个项目

作者头像
zhang_derek
发布2019-02-13 15:55:09
2.2K0
发布2019-02-13 15:55:09
举报
文章被收录于专栏:有趣的django有趣的django

WechatSogou [1]– 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。  github地址:  https://github.com/Chyroc/WechatSogou

DouBanSpider [2]– 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。  github地址:  https://github.com/lanbing510/DouBanSpider

zhihu_spider [3]– 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  github地址:  https://github.com/LiuRoy/zhihu_spider

bilibili-user [4]– 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。  github地址:  https://github.com/airingursb/bilibili-user

SinaSpider [5]– 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。  github地址:  https://github.com/LiuXingMing/SinaSpider

distribute_crawler [6]– 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。  github地址:  https://github.com/gnemoug/distribute_crawler

CnkiSpider [7]– 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。  github地址:  https://github.com/yanzhou/CnkiSpider

LianJiaSpider [8]– 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。  github地址:  https://github.com/lanbing510/LianJiaSpider

scrapy_jingdong [9]– 京东爬虫。  基于scrapy的京东网站爬虫,保存格式为csv。  github地址:  https://github.com/taizilongxu/scrapy_jingdong

QQ-Groups-Spider [10]– 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。  github地址:https://github.com/caspartse/QQ-Groups-Spider

wooyun_public[11]-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。  https://github.com/hanc00l/wooyun_public

spider[12]– hao123网站爬虫。  以hao123为入口页面,滚动爬取外链,收集网址,并记录网址上的内链和外链数目,记录title等信息,windows7 32位上测试,目前每24个小时,可收集数据为10万左右  https://github.com/simapple/spider findtrip [13]– 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)。  https://github.com/fankcoder/findtrip

163spider [14] – 基于requests、MySQLdb、torndb的网易客户端内容爬虫  https://github.com/leyle/163spider

doubanspiders[15]– 豆瓣电影、书籍、小组、相册、东西等爬虫集  https://github.com/fanpei91/doubanspiders

QQSpider [16]– 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。  https://github.com/LiuXingMing/QQSpider

baidu-music-spider [17]– 百度mp3全站爬虫,使用redis支持断点续传。  https://github.com/Shu-Ji/baidu-music-spider

tbcrawler[18]– 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。  https://github.com/pakoo/tbcrawler

stockholm [19]– 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。  https://github.com/benitoro/stockholm

BaiduyunSpider[20]-百度云盘爬虫。  https://github.com/k1995/BaiduyunSpider

Spider[21]-社交数据爬虫。支持微博,知乎,豆瓣。  https://github.com/Qutan/Spider

proxy pool[22]-Python爬虫代理IP池(proxy pool)。  https://github.com/jhao104/proxy_pool

music-163[23]-爬取网易云音乐所有歌曲的评论。  https://github.com/RitterHou/music-163

转载:http://www.sohu.com/a/166385794_804770

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018-07-29 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
云数据库 MongoDB
腾讯云数据库 MongoDB(TencentDB for MongoDB)是腾讯云基于全球广受欢迎的 MongoDB 打造的高性能 NoSQL 数据库,100%完全兼容 MongoDB 协议,支持跨文档事务,提供稳定丰富的监控管理,弹性可扩展、自动容灾,适用于文档型数据库场景,您无需自建灾备体系及控制管理系统。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档