Python 爬虫进公司必会项目

96
徐代龙
2017.12.20 22:23 字数 1380

WechatSogou [1]– 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 [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

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

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

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

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

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

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

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

QQ-Groups-Spider [10]– 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[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

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
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

163spider [14] – 基于requests、MySQLdb、torndb的网易客户端内容爬虫
https://github.com/leyle/163spider

doubanspiders[15]– 豆瓣电影、书籍、小组、相册、东西等爬虫集
https://github.com/fanpei91/doubanspiders

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

baidu-music-spider [17]– 百度mp3全站爬虫,使用redis支持断点续传。
https://github.com/Shu-Ji/baidu-music-spider

tbcrawler[18]– 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。
https://github.com/pakoo/tbcrawler

stockholm [19]– 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。
https://github.com/benitoro/stockholm

BaiduyunSpider[20]-百度云盘爬虫。
https://github.com/k1995/BaiduyunSpider

Spider[21]-社交数据爬虫。支持微博,知乎,豆瓣。
https://github.com/Qutan/Spider

proxy pool[22]-Python爬虫代理IP池(proxy pool)。
https://github.com/jhao104/proxy_pool

music-163[23]-爬取网易云音乐所有歌曲的评论。
https://github.com/RitterHou/music-163

转载:http://www.sohu.com/a/166385794_804770

python从入门到熟练
Web note ad 1