前言:
“分點學習爬蟲項目”,來源《從零開始學Python網絡爬蟲》由淺入深共有22個項目分知識點逐步掌握爬蟲技術
"自己寫的爬蟲項目"慢慢學習慢慢寫,就都擱這裏彙總
"前人彙總GitHub爬蟲項目"顧名思義是來至於前人總結好的一些github上的項目,目前這裏有31個項目
自話:“分點學習爬蟲項目”的源碼,我暫時還沒有整理出來,先列出項目清單,大概每個週末更新一下項目(emm,畫大餅,不會引起民憤吧),前面簡單的更新的快些,到後面的可能會慢一些,有時間就更一下,大家可以監督一哈我,別讓我偷懶,嘻嘻。——2019.12.3
分割線:期末複習周了,“分點學習爬蟲項目”第四節後的內容將不定期更新(看看什麼時候有空),過了這段時間再恢復更新。——2019.12.21
分點學習爬蟲項目
一、我的第一個爬蟲
- 1.爬取小豬短租網北京地區短租房信息(2019.12.7更)在控制檯顯示結果
- 2.爬取酷狗TOP500音樂信息(2019.12.7更)在控制檯顯示結果
二、正則表達式 - 3. 爬取《鬥破蒼穹》全文小說(2019.12.8更)存儲格式爲TXT文件
- 4. 爬取糗事百科笑話1
三、lxml庫和Xpath語法
- 5. 爬取豆瓣網圖書TOP250的數據(2019.12.15更)存儲格式爲CSV文件
- 6. 爬取起點中文網小說信息(2019.12.15更)存儲格式爲Excel文件
四、使用API
- 7. 爬取PEXELS圖片2
- 8. 爬取糗事百科網的用戶地址3
五、數據庫存儲
-
9. 爬取豆瓣音樂TOP250的數據(2020.1.1更)存儲形式爲MongoDB
-
10. 爬取豆瓣電影TOP250的數據(2020.1.4更)存儲形式爲MySql
六、多進程爬蟲
- 11. 爬取簡書網熱評文章(2020.1.17更)存儲形式爲MongoDB
- 12. 爬取轉轉網二手市場商品信息(2020.1.18更)存儲形式爲MongoDB
七、異步加載
- 13. 爬取簡書用戶動態信息(2020.1.21更)存儲形式爲MongoDB
- 14. 爬取簡書網7日熱門信息4
八、表單交互與模擬登入
- 15. 爬取拉勾網招聘信息(2020.2.2更)存儲形式爲MongoDB
- 16. 爬取新浪微博好友圈信息
九、Selenium模擬瀏覽器
- 17. 爬取QQ空間好友說說
- 18. 爬取淘寶商品信息
十、Scrapy爬蟲框架
- 19. 爬取簡書網熱門專題信息
- 20. 爬取知乎網Python精華話題
- 21. 爬取簡書網專題收錄文章
- 22. 爬取簡書網推薦信息
自己寫的爬蟲項目
- 爬蟲小試-將某網站內的試題爬取出來並保存到本地word
- 爬蟲練習-爬取豆瓣電影 Top 250信息並存儲於本地
- 爬蟲練習-爬取筆趣閣小說
- python爬蟲-簡單代理IP池的搭建與使用
- python代碼獲取Bing的首頁背景圖,並實現實現每日自動爬取,爬取的圖片可做精美壁紙
前人彙總GitHub爬蟲項目
WechatSogou [1]:微信公衆號爬蟲。基於搜狗微信搜索的微信公衆號爬蟲接口,可以擴展成基於搜狗搜索的爬蟲,返回結果是列表,每一項均是公衆號具體信息字典。
DouBanSpider [2]:豆瓣讀書爬蟲。可以爬下豆瓣讀書標籤下的所有圖書,按評分排名依次存儲,存儲到Excel中,可方便大家篩選蒐羅,比如篩選評價人數>1000的高分書籍;可依據不同的主題存儲到Excel不同的Sheet ,採用User Agent僞裝爲瀏覽器進行爬取,並加入隨機延時來更好的模仿瀏覽器行爲,避免爬蟲被封。
zhihu_spider [3]:知乎爬蟲。此項目的功能是爬取知乎用戶信息以及人際拓撲關係,爬蟲框架使用scrapy,數據存儲使用mongo
bilibili-user [4]:Bilibili用戶爬蟲。總數據數:20119918,抓取字段:用戶id,暱稱,性別,頭像,等級,經驗值,粉絲數,生日,地址,註冊時間,簽名,等級與經驗值等。抓取之後生成B站用戶數據報告。
SinaSpider [5]:新浪微博爬蟲。主要爬取新浪微博用戶的個人信息、微博信息、粉絲和關注。代碼獲取新浪微博Cookie進行登錄,可通過多賬號登錄來防止新浪的反扒。主要使用 scrapy 爬蟲框架。
distribute_crawler [6]:小說下載分佈式爬蟲。使用scrapy,Redis, MongoDB,graphite實現的一個分佈式網絡爬蟲,底層存儲mongodb集羣,分佈式使用redis實現,爬蟲狀態顯示使用graphite實現,主要針對一個小說站點。
CnkiSpider [7]:中國知網爬蟲。設置檢索條件後,執行src/CnkiSpider.py抓取數據,抓取數據存儲在/data目錄下,每個數據文件的第一行爲字段名稱。
LianJiaSpider [8]:鏈家網爬蟲。爬取北京地區鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲一文的全部代碼,包括鏈家模擬登錄代碼。
scrapyjingdong [9]:京東爬蟲。基於scrapy的京東網站爬蟲,保存格式爲csv。
QQ-Groups-Spider [10]:QQ 羣爬蟲。批量抓取 QQ 羣信息,包括羣名稱、羣號、羣人數、羣主、羣簡介等內容,最終生成 XLS(X) / CSV 結果文件。
wooyunpublic [11]:烏雲爬蟲。 烏雲公開漏洞、知識庫爬蟲和搜索。全部公開漏洞的列表和每個漏洞的文本內容存在mongodb中,大概約2G內容;如果整站爬全部文本和圖片作爲離線查詢,大概需要10G空間、2小時(10M電信帶寬);爬取全部知識庫,總共約500M空間。漏洞搜索使用了Flask作爲web server,bootstrap作爲前端。
findtrip [12]:機票爬蟲(去哪兒和攜程網)。Findtrip是一個基於Scrapy的機票爬蟲,目前整合了國內兩大機票網站(去哪兒 + 攜程)。
163spider [13]:基於requests、MySQLdb、torndb的網易客戶端內容爬蟲
doubanspiders [14]:豆瓣電影、書籍、小組、相冊、東西等爬蟲集
QQSpider [15]:QQ空間爬蟲,包括日誌、說說、個人信息等,一天可抓取 400 萬條數據。
baidu-music-spider [16]:百度mp3全站爬蟲,使用redis支持斷點續傳。
tbcrawler [17]:淘寶和天貓的爬蟲,可以根據搜索關鍵詞,物品id來抓去頁面的信息,數據存儲在mongodb。
stockholm [18]:一個股票數據(滬深)爬蟲和選股策略測試框架。根據選定的日期範圍抓取所有滬深兩市股票的行情數據。支持使用表達式定義選股策略。支持多線程處理。保存數據到JSON文件、CSV文件。
BaiduyunSpider [19]:百度雲盤爬蟲。
Spider [20]:社交數據爬蟲。支持微博,知乎,豆瓣。
proxy pool [21]:python爬蟲代理IP池(proxy pool)。
music-163 [22]:爬取網易雲音樂所有歌曲的評論。
jandan_spider [23]:爬取煎蛋妹紙圖片。
CnblogsSpider [24]:cnblogs列表頁爬蟲。
spider_smooc [25]:爬取慕課網視頻。
CnkiSpider [26]:中國知網爬蟲。
knowsecSpider2 [27]:知道創宇爬蟲題目。
aiss-spider [28]:愛絲APP圖片爬蟲,以及免支付破解VIP看圖。
SinaSpider [29]:動態IP解決新浪的反爬蟲機制,快速抓取內容。
csdn-spider [30]:爬取CSDN上的博客文章。
ProxySpider [31]:爬取西刺上的代理IP,並驗證代理可用性