江苏龙网

  1. 主页 > 生活百科 > >

看完这28个python爬虫项目，你离爬虫高手就不远了，不够来找我

Python爬虫


看完这28个python爬虫项目，你离爬虫高手就不远了，不够来找我

文章插图
互联网的数据爆炸式的增长，而利用 Python 爬虫我们可以获取大量有价值的数据：
1.爬取数据，进行市场调研和商业分析
爬取知乎优质答案，筛选各话题下最优质的内容； 抓取房产网站买卖信息，分析房价变化趋势、做不同区域的房价分析；爬取招聘网站职位信息，分析各行业人才需求情况及薪资水平 。
2.作为机器学习、数据挖掘的原始数据
比如你要做一个推荐系统，那么你可以去爬取更多维度的数据，做出更好的模型 。
3.爬取优质的资源：图片、文本、视频
爬取商品（店铺）评论以及各种图片网站，获得图片资源以及评论文本数据 。
掌握正确的方法，在短时间内做到能够爬取主流网站的数据，其实非常容易实现 。
但建议你从一开始就要有一个具体的目标，在目标的驱动下，你的学习才会更加精准和高效 。这里给你一条平滑的、零基础快速入门的学习路径：
1.了解爬虫的基本原理及过程
2.Requests+Xpath 实现通用爬虫套路
3.了解非结构化数据的存储
4.应对特殊网站的反爬虫措施
5.Scrapy 与 MongoDB，进阶分布式
下面给大家展示一些爬虫项目：
有些项目可能比较老了，不能用了，大家可以参考一下，重要的是一个思路，借鉴前人的一些经验，希望能帮到大家
（1）微信公众号爬虫
地址：https://github.com/Chyroc/WechatSogou
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 。
（2）豆瓣读书爬虫
地址：https://github.com/lanbing510/DouBanSpider
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 。
（3）知乎爬虫
地址：https://github.com/LiuRoy/zhihu_spider
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
（4） Bilibili用户爬虫
地址：https://github.com/airingursb/bilibili-user
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 。
（5）新浪微博爬虫
https://github.com/LiuXingMing/SinaSpider
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 。
（6） 小说下载分布式爬虫
https://github.com/gnemoug/distribute_crawler
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 。
（7）中国知网爬虫
https://github.com/yanzhou/CnkiSpider
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 。
（8）链接网爬虫
https://github.com/yanzhou/CnkiSpider
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 。
（9）京东爬虫
https://github.com/taizilongxu/scrapy_jingdong
基于scrapy的京东网站爬虫，保存格式为csv 。
（10） QQ 群爬虫
https://github.com/caspartse/QQ-Groups-Spider
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 。
（11）乌云爬虫
https://github.com/hanc00l/wooyun_public
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 。
念无心：python步入高薪，踏上人生巅峰之路?zhuanlan.zhihu.com
看完这28个python爬虫项目，你离爬虫高手就不远了，不够来找我

文章插图
（12）hao123网站爬虫
https://github.com/hanc00l/wooyun_public
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 。


推荐阅读


上一篇：世界上最怪的动物是什么 最怪的动物

下一篇：最早的隧道 历史的隧洞