【附源码】想成为Python爬虫高手,这29个爬虫项目不容错过
一、爬虫是什么?
如果我们把互联网比作一张大的蜘蛛网,数据便是存放于蜘蛛网的各个节点,而爬虫就是一只小蜘蛛,沿着网络抓取自己的猎物(数据)爬虫指的是:向网站发起请求,获取资源后分析并提取有用数据的程序。
从技术层面来说就是通过程序模拟浏览器请求站点的行为,把站点返回的HTML代码/JSON数据/二进制数据(图片、视频) 爬到本地,进而提取自己需要的数据,存放起来使用;
1、爬虫大概流程:
爬取--->解析--->存储
2、爬虫所需工具:
请求库:requests,selenium(可以驱动浏览器解析渲染CSS和JS,但有性能劣势(有用没用的网页都会加载);)
解析库:正则,beautifulsoup,pyquery
存储库:文件,MySQL,Mongodb,Redis
二、爬虫项目
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。
- 链接: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。
- 链接: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
- 链接: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。
- 链接: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。
- 链接: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。
- 链接: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。
- 链接: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。
- 链接:https://github.com/yanzhou/CnkiSpider
scrapy_jingdong [9]- 京东爬虫。基于scrapy的京东网站爬虫,保存格式为csv。
- 链接: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。
- 链接: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。
- 链接: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。
- 链接:https://github.com/hanc00l/wooyun_public
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)。
- 链接:https://github.com/hanc00l/wooyun_public
163spider [14] - 基于requests、MySQLdb、torndb的网易客户端内容爬虫。
- 链接:https://github.com/leyle/163spider
doubanspiders[15]- 豆瓣电影、书籍、小组、相册、东西等爬虫集 writen by Python
- 链接:https://github.com/sdfzy/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。
- 链接: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。
- 链接: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。
- 链接: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。
- 链接:https://github.com/benitoro/stockholm
BaiduyunSpider[20]-百度云盘爬虫。
- 链接:https://github.com/k1995/BaiduyunSpider
Spider[21]-社交数据爬虫。支持微博,知乎,豆瓣。
- 链接:https://github.com/Qutan/Spider
proxy pool[22]-Python爬虫代理IP池(proxy pool)。
- 链接:https://github.com/Qutan/Spider
music-163[23]-爬取网易云音乐所有歌曲的评论。
- 链接:https://github.com/RitterHou/music-163
CnblogsSpider[24]-cnblogs列表页爬虫。
- 链接:https://github.com/jackgitgz/CnblogsSpider
spider_smooc[25]-爬取慕课网视频。
- 链接:https://github.com/jackgitgz/CnblogsSpider
knowsecSpider2[26]-知道创宇爬虫题目。
- 链接:https://github.com/littlethunder/knowsecSpider2
SinaSpider[27]-动态IP解决新浪的反爬虫机制,快速抓取内容。
- 链接:https://github.com/szcf-weiya/SinaSpider
csdn-spider[28]-爬取CSDN上的博客文章。
- 链接:https://github.com/Kevinsss/csdn-spider
ProxySpider[29]-爬取西刺上的代理IP,并验证代理可用性。
- 链接:https://github.com/changetjut/ProxySpider
【附源码】想成为Python爬虫高手,这29个爬虫项目不容错过相关推荐
- [附源码]计算机毕业设计Python+uniapp汽车票管理系统APP65qfl(程序+lw+APP+远程部署)
[附源码]计算机毕业设计Python+uniapp汽车票管理系统APP65qfl(程序+lw+APP+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程 项目运行环境配置: P ...
- [附源码]计算机毕业设计Python+uniapp智能公交查询APP59sm2(程序+lw+APP+远程部署)
[附源码]计算机毕业设计Python+uniapp智能公交查询APP59sm2(程序+lw+APP+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程 项目运行环境配置: Py ...
- [附源码]计算机毕业设计Python+uniapp基于安卓的校园跑腿代购476ww(程序+lw+APP+远程部署)
[附源码]计算机毕业设计Python+uniapp基于安卓的校园跑腿代购476ww(程序+lw+APP+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程 项目运行环境配置: ...
- [附源码]计算机毕业设计Python+uniapp作业批改系统APP4238p(程序+lw+APP+远程部署)
[附源码]计算机毕业设计Python+uniapp作业批改系统APP4238p(程序+lw+APP+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程 项目运行环境配置: Py ...
- [附源码]计算机毕业设计Python+uniapp学生选课APP3cnsl(程序+lw+APP+远程部署)
[附源码]计算机毕业设计Python+uniapp学生选课APP3cnsl(程序+lw+APP+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程 项目运行环境配置: Pyth ...
- [附源码]计算机毕业设计Python+uniapp基于Android 工厂考勤系统4h291(程序+源码+LW+远程部署)
[附源码]计算机毕业设计Python+uniapp基于Android 工厂考勤系统4h291(程序+源码+LW+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程 项目运行环境 ...
- [附源码]计算机毕业设计Python+uniapp基于Android的自来水收费系统3e359(程序+源码+LW+远程部署)
[附源码]计算机毕业设计Python+uniapp基于Android的自来水收费系统3e359(程序+源码+LW+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程 项目运行环 ...
- [附源码]计算机毕业设计Python+uniapp篮球竞技系统APPo206c(程序+lw+APP+远程部署)
[附源码]计算机毕业设计Python+uniapp篮球竞技系统APPo206c(程序+lw+APP+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程 项目运行环境配置: Py ...
- [附源码]计算机毕业设计Python+uniapp安卓门禁系统appo8yd7(程序+源码+LW+远程部署)
[附源码]计算机毕业设计Python+uniapp安卓门禁系统appo8yd7(程序+源码+LW+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程 项目运行环境配置: Pyt ...
- [附源码]计算机毕业设计Python+uniapp基于Android的校园考勤APPo0400(程序+源码+LW+远程部署)
[附源码]计算机毕业设计Python+uniapp基于Android的校园考勤APPo0400(程序+源码+LW+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程 项目运行环 ...
最新文章
- mac php 连接mysql数据库_Mac环境下php操作mysql数据库的方法分享_PHP教程
- java = 优化_Java9系列第7篇:Java.util.Optional优化与增强 - 字母哥博客 - 博客园
- 用心整理,尽量最全,一套目标检测、卷积神经网络和OpenCV学习资料(教程/PPT/代码)...
- MySQL5添加外键约束错误 (Error Code : 1005)
- Pycharm 安装
- php如何安装源码包,php源码包安装步骤是什么
- idea关于连接mysql数据库异常解决的方法
- 学***必去的网站“***基地”
- 把已经写好的Vue项目转成uni-app项目
- 折合分数的公式计算机,高考分数换算公式(高考分数折合怎么算)
- 北卡州立大学计算机科学硕士,北卡罗莱纳州立大学计算机科学专业研究生申请条件有哪些?...
- 红外解决方案(用于工业、民用、国防和安全应用)的全球与中国市场2022-2028年:技术、参与者、趋势、市场规模及占有率研究报告
- vue中自定义组件的用法(企业微信通讯录选人)
- Tableau笔记(10)转置和拆分
- 开源中国源码学习UI篇(一)之FragmentTabHost的使用分析
- mysql 报错1366
- MySQL之悲观锁场景举例
- 两个卡方分布之和_正态分布样本均值和样本方差的独立性
- 易语言时间转化linux格式,易语言取时间年月日格式化
- 《51单片机》用STC-ISP-15XX-V6.85F烧录程序的步骤