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:/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>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:/lanbing510/DouBanSpider
3. 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:/LiuRoy/zhihu_spider
4. bilibili-user – Bilibili用户爬虫
总数据数:9918,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:/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:/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:/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:/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:/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:/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:/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。
github地址: /hanc00l/wooyun_public
12. 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: /simapple/spider
13. 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: /fankcoder/findtrip
14. 163spider – 基于requests、MySQLdb、torndb的网易客户端内容爬虫
github地址: /leyle/163spider
15. 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: /LiuXingMing/QQSpider
16baidu-music-spider – 百度mp3全站爬虫
使用redis支持断点续传。
github地址: /Shu-Ji/baidu-music-spider
17. tbcrawler – 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。
github地址: /pakoo/tbcrawler
18. stockholm – 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。
github地址: /benitoro/stockholm
19. BaiduyunSpider - 百度云盘爬虫。
github地址: /k1995/BaiduyunSpider
20. Spider - 社交数据爬虫。支持微博,知乎,豆瓣。
github地址: /Qutan/Spider
21. proxy pool - Python爬虫代理IP池(proxy pool)。
github地址: /jhao104/proxy_pool
22. music-163 - 爬取网易云音乐所有歌曲的评论。
github地址: /RitterHou/music-163
欢迎大家加入小编创建的Python行业交流群,有大牛答疑,有资源共享,有企业招人!是一个非常不错的交流基地!群号:78486745