32個Python爬蟲項目慢慢學吧

找到好東西大家一起來學習

整理的原因是，爬蟲入門簡單快速，也非常适合新入門的小夥伴培養信心。所有連結指向GitHub，祝大家玩的愉快~O(∩_∩)O

WechatSogou [1]- 微信公衆号爬蟲。基于搜狗微信搜尋的微信公衆号爬蟲接口，可以擴充成基于搜狗搜尋的爬蟲，傳回結果是清單，每一項均是公衆号具體資訊字典。

DouBanSpider [2]- 豆瓣讀書爬蟲。可以爬下豆瓣讀書标簽下的所有圖書，按評分排名依次存儲，存儲到Excel中，可友善大家篩選搜羅，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 ，采用User Agent僞裝為浏覽器進行爬取，并加入随機延時來更好的模仿浏覽器行為，避免爬蟲被封。

zhihu_spider [3]- 知乎爬蟲。此項目的功能是爬取知乎使用者資訊以及人際拓撲關系，爬蟲架構使用scrapy，資料存儲使用mongo

bilibili-user [4]- Bilibili使用者爬蟲。總資料數：20119918，抓取字段：使用者id，昵稱，性别，頭像，等級，經驗值，粉絲數，生日，位址，注冊時間，簽名，等級與經驗值等。抓取之後生成B站使用者資料報告。

SinaSpider [5]- 新浪微網誌爬蟲。主要爬取新浪微網誌使用者的個人資訊、微網誌資訊、粉絲和關注。代碼擷取新浪微網誌Cookie進行登入，可通過多賬号登入來防止新浪的反扒。主要使用 scrapy 爬蟲架構。

distribute_crawler [6]- 小說下載下傳分布式爬蟲。使用scrapy,Redis, MongoDB,graphite實作的一個分布式網絡爬蟲,底層存儲MongoDB叢集,分布式使用Redis實作,爬蟲狀态顯示使用graphite實作，主要針對一個小說站點。

CnkiSpider [7]- 中國知網爬蟲。設定檢索條件後，執行src/CnkiSpider.py抓取資料，抓取資料存儲在/data目錄下，每個資料檔案的第一行為字段名稱。

LianJiaSpider [8]- 鍊家網爬蟲。爬取北京地區鍊家曆年二手房成交記錄。涵蓋鍊家爬蟲一文的全部代碼，包括鍊家模拟登入代碼。

scrapy_jingdong [9]- 京東爬蟲。基于scrapy的京東網站爬蟲，儲存格式為csv。

QQ-Groups-Spider [10]- QQ 群爬蟲。批量抓取 QQ 群資訊，包括群名稱、群号、群人數、群主、群簡介等内容，最終生成 XLS(X) / CSV 結果檔案。

wooyun_public[11]-烏雲爬蟲。 烏雲公開漏洞、知識庫爬蟲和搜尋。全部公開漏洞的清單和每個漏洞的文本内容存在MongoDB中，大概約2G内容；如果整站爬全部文本和圖檔作為離線查詢，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。漏洞搜尋使用了Flask作為web server，bootstrap作為前端。

spider[12]- hao123網站爬蟲。以hao123為入口頁面，滾動爬取外鍊，收集網址，并記錄網址上的内鍊和外鍊數目，記錄title等資訊，windows7 32位上測試，目前每24個小時，可收集資料為10萬左右

findtrip [13]- 機票爬蟲（去哪兒和攜程網）。Findtrip是一個基于Scrapy的機票爬蟲，目前整合了國内兩大機票網站（去哪兒 + 攜程）。

163spider [14] - 基于requests、MySQLdb、torndb的網易用戶端内容爬蟲

doubanspiders[15]- 豆瓣電影、書籍、小組、相冊、東西等爬蟲集

QQSpider [16]- QQ空間爬蟲，包括日志、說說、個人資訊等，一天可抓取 400 萬條資料。

baidu-music-spider [17]- 百度mp3全站爬蟲，使用redis支援斷點續傳。

tbcrawler[18]- 淘寶和天貓的爬蟲,可以根據搜尋關鍵詞,物品id來抓去頁面的資訊，資料存儲在mongodb。

stockholm [19]- 一個股票資料（滬深）爬蟲和選股政策測試架構。根據標明的日期範圍抓取所有滬深兩市股票的行情資料。支援使用表達式定義選股政策。支援多線程處理。儲存資料到JSON檔案、CSV檔案。

BaiduyunSpider[20]-百度雲盤爬蟲。

Spider[21]-社交資料爬蟲。支援微網誌,知乎,豆瓣。

proxy pool[22]-Python爬蟲代理IP池(proxy pool)。

music-163[23]-爬取網易雲音樂所有歌曲的評論。

jandan_spider[24]-爬取煎蛋妹紙圖檔。

CnblogsSpider[25]-cnblogs清單頁爬蟲。

spider_smooc[26]-爬取慕課網視訊。

CnkiSpider[27]-中國知網爬蟲。

knowsecSpider2[28]-知道創宇爬蟲題目。

aiss-spider[29]-愛絲APP圖檔爬蟲。

SinaSpider[30]-動态IP解決新浪的反爬蟲機制，快速抓取内容。

csdn-spider[31]-爬取CSDN上的部落格文章。

ProxySpider[32]-爬取西刺上的代理IP，并驗證代理可用性

更新：

webspider[33]-本系統是一個主要使用python3, celery和requests來爬取職位資料的爬蟲，實作了定時任務，出錯重試，日志記錄，自動更改Cookies等的功能，并使用ECharts + Bootstrap 來建構前端頁面，來展示爬取到的資料。