【开课吧python】23个Python爬虫开源项目代码
开课吧python吧
全部回复
仅看楼主
level 10
语子易 楼主
今天为大家整理了23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
2020年11月24日 03点11分 1
level 10
语子易 楼主
2、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。
github地址：https://github.com/lanbing510/DouBanSpider
2020年11月24日 03点11分 3
level 10
语子易 楼主
3、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
github地址：https://github.com/LiuRoy/zhihu_spider
2020年11月24日 03点11分 4
level 10
语子易 楼主
4、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。
github地址：https://github.com/airingursb/bilibili-user
2020年11月24日 03点11分 5
level 10
语子易 楼主
5、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。
github地址：https://github.com/LiuXingMing/SinaSpider
2020年11月24日 03点11分 6
level 10
语子易 楼主
6、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。
github地址：https://github.com/gnemoug/distribute_crawler
2020年11月24日 03点11分 7
level 10
语子易 楼主
7、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。
github地址：https://github.com/yanzhou/CnkiSpider
2020年11月24日 03点11分 8
level 10
语子易 楼主
8、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。
github地址：https://github.com/lanbing510/LianJiaSpider
2020年11月24日 03点11分 9
level 10
语子易 楼主
9、scrapy_jingdong [9]– 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
2020年11月24日 03点11分 10
level 10
语子易 楼主
11、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。
https://github.com/hanc00l/wooyun_public
2020年11月24日 03点11分 12
level 10
语子易 楼主
12、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
https://github.com/simapple/spider
2020年11月24日 05点11分 13
level 10
语子易 楼主
13、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）。
https://github.com/fankcoder/findtrip
2020年11月24日 06点11分 14
level 10
语子易 楼主
14、163spider [14] – 基于requests、MySQLdb、torndb的网易客户端内容爬虫
https://github.com/leyle/163spider
2020年11月24日 06点11分 15
level 10
语子易 楼主
15、doubanspiders[15]– 豆瓣电影、书籍、小组、相册、东西等爬虫集
https://github.com/fanpei91/doubanspiders
2020年11月24日 06点11分 16
level 10
语子易 楼主
16、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。
https://github.com/LiuXingMing/QQSpider
2020年11月24日 06点11分 17
1 2 尾页