33个Python爬虫项目实战(推荐)


Posted in Python onJuly 08, 2019

今天为大家整理了32个Python爬虫项目。

整理的原因是,爬虫入门简单快速,也非常适合新入门的小伙伴培养信心。所有链接指向GitHub,祝大家玩的愉快~O(∩_∩)O

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。

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。

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

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。

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。

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。

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。

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。

scrapy_jingdong [9]- 京东爬虫。基于scrapy的京东网站爬虫,保存格式为csv。

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。

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。

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

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)。

163spider [14] - 基于requests、MySQLdb、torndb的网易客户端内容爬虫

doubanspiders[15]- 豆瓣电影、书籍、小组、相册、东西等爬虫集 writen by Python

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。

baidu-music-spider [17]- 百度mp3全站爬虫,使用redis支持断点续传。

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。

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。

BaiduyunSpider[20]-百度云盘爬虫。

Spider[21]-社交数据爬虫。支持微博,知乎,豆瓣。

proxy pool[22]-Python爬虫代理IP池(proxy pool)。

music-163[23]-爬取网易云音乐所有歌曲的评论。

jandan_spider[24]-爬取煎蛋妹纸图片。

CnblogsSpider[25]-cnblogs列表页爬虫。

spider_smooc[26]-爬取慕课网视频。

CnkiSpider[27]-中国知网爬虫。

knowsecSpider2[28]-知道创宇爬虫题目。

aiss-spider[29]-爱丝APP图片爬虫。

SinaSpider[30]-动态IP解决新浪的反爬虫机制,快速抓取内容。

csdn-spider[31]-爬取CSDN上的博客文章。

ProxySpider[32]-爬取西刺上的代理IP,并验证代理可用性

2018.8.2更新:

webspider[33]-本系统是一个主要使用python3, celery和requests来爬取职位数据的爬虫,实现了定时任务,出错重试,日志记录,自动更改Cookies等的功能,并使用ECharts + Bootstrap 来构建前端页面,来展示爬取到的数据。

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
python list 合并连接字符串的方法
Mar 09 Python
Python使用MYSQLDB实现从数据库中导出XML文件的方法
May 11 Python
python中requests使用代理proxies方法介绍
Oct 25 Python
Python3.5字符串常用操作实例详解
May 01 Python
75条笑死人的知乎神回复,用60行代码就爬完了
May 06 Python
PyCharm 配置远程python解释器和在本地修改服务器代码
Jul 23 Python
python列表插入append(), extend(), insert()用法详解
Sep 14 Python
Python 取numpy数组的某几行某几列方法
Oct 24 Python
pytorch torch.nn.AdaptiveAvgPool2d()自适应平均池化函数详解
Jan 03 Python
Django Haystack 全文检索与关键词高亮的实现
Feb 17 Python
Python json读写方式和字典相互转化
Apr 18 Python
Django视图类型总结
Feb 17 Python
详解python中的time和datetime的常用方法
Jul 08 #Python
在python plt图表中文字大小调节的方法
Jul 08 #Python
python文件转为exe文件的方法及用法详解
Jul 08 #Python
简单了解python代码优化小技巧
Jul 08 #Python
python实现在函数图像上添加文字和标注的方法
Jul 08 #Python
python画图——实现在图上标注上具体数值的方法
Jul 08 #Python
简单了解python的break、continue、pass
Jul 08 #Python
You might like
Cappuccino 卡布其诺咖啡之制作
2021/03/03 冲泡冲煮
php中通过curl smtp发送邮件
2012/06/05 PHP
php使用fputcsv()函数csv文件读写数据的方法
2015/01/06 PHP
浅谈PHP中new self()和new static()的区别
2017/08/11 PHP
tbody元素支持嵌套的注意方法
2007/03/24 Javascript
javascript获得CheckBoxList选中的数量
2009/10/27 Javascript
JQuery文本框高亮显示插件代码
2011/04/02 Javascript
javascript中String类的subString()方法和slice()方法
2011/05/24 Javascript
JavaScript实现存储HTML字符串示例
2014/04/21 Javascript
jQuery实现瀑布流布局详解(PC和移动端)
2020/09/01 Javascript
JavaScript基础——使用Canvas绘图
2016/11/02 Javascript
jquery 判断是否支持Placeholder属性的方法
2017/02/07 Javascript
原生js更改css样式的两种方式
2017/03/15 Javascript
JavaScript实现HTML5游戏断线自动重连的方法
2017/09/18 Javascript
LayUi数据表格自定义赋值方式
2019/10/26 Javascript
[02:36]DOTA2上海特锦赛 回忆电竞生涯的重要瞬间
2016/03/25 DOTA
python使用pil生成缩略图的方法
2015/03/26 Python
PYTHON 中使用 GLOBAL引发的一系列问题
2016/10/12 Python
python实现比较文件内容异同
2018/06/22 Python
python内置模块collections知识点总结
2019/12/19 Python
windows下Pycharm安装opencv的多种方法
2020/03/05 Python
Jupyter notebook设置背景主题,字体大小及自动补全代码的操作
2020/04/13 Python
Python pip 常用命令汇总
2020/10/19 Python
Python list和str互转的实现示例
2020/11/16 Python
canvas进阶之如何画出平滑的曲线
2018/10/15 HTML / CSS
英国银首饰公司:e&e Jewellery
2021/02/11 全球购物
医学院四年学习生活的自我评价
2013/11/06 职场文书
关于青春的演讲稿800字
2014/08/22 职场文书
合法的离婚协议书范本
2014/10/23 职场文书
2014镇党委书记党建工作汇报材料
2014/11/02 职场文书
2014年大堂经理工作总结
2014/11/21 职场文书
2015年学校管理工作总结
2015/07/20 职场文书
推普标语口号大全
2015/12/26 职场文书
十大最强飞行系宝可梦,BUG燕上榜,第二是飞行系王者
2022/03/18 日漫
Nginx反向代理、重定向
2022/04/13 Servers
Ruby处理CSV数据方法详解
2022/04/18 Ruby