Python 爬虫经典案例
下面是我整理的一些 GitHub 上面经典的开源爬虫项目,涵盖的比较全面,供大家学习使用。
WechatSogou 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 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 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 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 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 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 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 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 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 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 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。
GitHub 地址:https://github.com/hanc00l/wooyun_public
spider 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。
GitHub 地址:https://github.com/simapple/spider
findtrip 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)。
GitHub 地址:https://github.com/fankcoder/findtrip
QQSpider
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。
GitHub 地址:https://github.com/LiuXingMing/QQSpider