前言:
“分点学习爬虫项目”,来源《从零开始学Python网络爬虫》由浅入深共有22个项目分知识点逐步掌握爬虫技术
"自己写的爬虫项目"慢慢学习慢慢写,就都搁这里汇总
"前人汇总GitHub爬虫项目"顾名思义是来至于前人总结好的一些github上的项目,目前这里有31个项目
自话:“分点学习爬虫项目”的源码,我暂时还没有整理出来,先列出项目清单,大概每个周末更新一下项目(emm,画大饼,不会引起民愤吧),前面简单的更新的快些,到后面的可能会慢一些,有时间就更一下,大家可以监督一哈我,别让我偷懒,嘻嘻。——2019.12.3
分割线:期末复习周了,“分点学习爬虫项目”第四节后的内容将不定期更新(看看什么时候有空),过了这段时间再恢复更新。——2019.12.21
分点学习爬虫项目
一、我的第一个爬虫
- 1.爬取小猪短租网北京地区短租房信息(2019.12.7更)在控制台显示结果
- 2.爬取酷狗TOP500音乐信息(2019.12.7更)在控制台显示结果
二、正则表达式 - 3. 爬取《斗破苍穹》全文小说(2019.12.8更)存储格式为TXT文件
- 4. 爬取糗事百科笑话1
三、lxml库和Xpath语法
- 5. 爬取豆瓣网图书TOP250的数据(2019.12.15更)存储格式为CSV文件
- 6. 爬取起点中文网小说信息(2019.12.15更)存储格式为Excel文件
四、使用API
- 7. 爬取PEXELS图片2
- 8. 爬取糗事百科网的用户地址3
五、数据库存储
-
9. 爬取豆瓣音乐TOP250的数据(2020.1.1更)存储形式为MongoDB
-
10. 爬取豆瓣电影TOP250的数据(2020.1.4更)存储形式为MySql
扫描二维码关注公众号,回复: 9052000 查看本文章
六、多进程爬虫
- 11. 爬取简书网热评文章(2020.1.17更)存储形式为MongoDB
- 12. 爬取转转网二手市场商品信息(2020.1.18更)存储形式为MongoDB
七、异步加载
- 13. 爬取简书用户动态信息(2020.1.21更)存储形式为MongoDB
- 14. 爬取简书网7日热门信息4
八、表单交互与模拟登入
- 15. 爬取拉勾网招聘信息(2020.2.2更)存储形式为MongoDB
- 16. 爬取新浪微博好友圈信息
九、Selenium模拟浏览器
- 17. 爬取QQ空间好友说说
- 18. 爬取淘宝商品信息
十、Scrapy爬虫框架
- 19. 爬取简书网热门专题信息
- 20. 爬取知乎网Python精华话题
- 21. 爬取简书网专题收录文章
- 22. 爬取简书网推荐信息
自己写的爬虫项目
- 爬虫小试-将某网站内的试题爬取出来并保存到本地word
- 爬虫练习-爬取豆瓣电影 Top 250信息并存储于本地
- 爬虫练习-爬取笔趣阁小说
- python爬虫-简单代理IP池的搭建与使用
- python代码获取Bing的首页背景图,并实现实现每日自动爬取,爬取的图片可做精美壁纸
前人汇总GitHub爬虫项目
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。
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。
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
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。
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。
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。
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。
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。
scrapyjingdong [9]:京东爬虫。基于scrapy的京东网站爬虫,保存格式为csv。
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。
wooyunpublic [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。
findtrip [12]: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)。
163spider [13]:基于requests、MySQLdb、torndb的网易客户端内容爬虫
doubanspiders [14]:豆瓣电影、书籍、小组、相册、东西等爬虫集
QQSpider [15]: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。
baidu-music-spider [16]:百度mp3全站爬虫,使用redis支持断点续传。
tbcrawler [17]: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。
stockholm [18]: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。
BaiduyunSpider [19]:百度云盘爬虫。
Spider [20]:社交数据爬虫。支持微博,知乎,豆瓣。
proxy pool [21]:python爬虫代理IP池(proxy pool)。
music-163 [22]:爬取网易云音乐所有歌曲的评论。
jandan_spider [23]:爬取煎蛋妹纸图片。
CnblogsSpider [24]:cnblogs列表页爬虫。
spider_smooc [25]:爬取慕课网视频。
CnkiSpider [26]:中国知网爬虫。
knowsecSpider2 [27]:知道创宇爬虫题目。
aiss-spider [28]:爱丝APP图片爬虫,以及免支付破解VIP看图。
SinaSpider [29]:动态IP解决新浪的反爬虫机制,快速抓取内容。
csdn-spider [30]:爬取CSDN上的博客文章。
ProxySpider [31]:爬取西刺上的代理IP,并验证代理可用性