江苏龙网

  1. 首页 > 生活 > >

GitHub 上有哪些优秀的 Python 爬虫项目( 六 )


九章基础算法班（Java），零基础转专业找工作必备现，针对用户推出限时免费，原价US$101.68（￥666）现在邀请一名好友共同报名，即可免费学习。添加微信jiuzhang6，回复“Java”领取全额课程抵价券。
更多课程信息请访问：九章算法
GitHub 上有哪些优秀的 Python 爬虫项目



■网友
最近我弟正在学scratch+python的爬虫技巧，就帮他整理了一些，也分享给大家～
一共23个Python爬虫项目，非常适合新入门的小伙伴培养信心，所有链接指向GitHub。
1、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

2、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\u0026gt;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

3、zhihu_spider – 爬虫。
此项目的功能是爬取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

4、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

5、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

6、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

7、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

8、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

9、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

10、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

11、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。


推荐阅读


上一篇：国产运动品牌看起来没落了吗

下一篇：新人刚到公司看不懂各种邮件咋办