更多课程 选择中心

Python培训
美国上市教育机构

400-111-8989

Python培训

非常好用的19个Python爬虫推荐

  • 发布:Python培训
  • 来源:练习题库
  • 时间:2017-10-25 17:09

刚从github上搜来19个常用的Python爬虫,技多不压身,觉得好用就收藏。

1.微信公众号爬虫

GitHub:https://github.com/Chyroc/WechatSogou

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。

2.豆瓣读书爬虫

GitHub:https://github.com/lanbing510/DouBanSpider

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。

3.知乎爬虫

GitHub:https://github.com/LiuRoy/zhihu_spider

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

4.Bilibili用户爬虫

GitHub:https://github.com/airingursb/bilibili-user

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。

5.新浪微博爬虫

GitHub:https://github.com/LiuXingMing/SinaSpider

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。

6.小说下载分布式爬虫

GitHub:https://github.com/gnemoug/distribute_crawler

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。

7. 中国知网爬虫

GitHub:https://github.com/yanzhou/CnkiSpider

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。

8.链家网爬虫

GitHub:https://github.com/lanbing510/LianJiaSpider

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。

9.京东爬虫

GitHub:https://github.com/taizilongxu/scrapy_jingdong

基于scrapy的京东网站爬虫,保存格式为csv。

10.QQ 群爬虫

GitHub:https://github.com/caspartse/QQ-Groups-Spider

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。

11.乌云爬虫

GitHub:https://github.com/hanc00l/wooyun_public

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。

12.hao123网站爬虫

GitHub:https://github.com/buckyroberts/Spider

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。

13.机票爬虫(去哪儿和携程网)

GitHub:https://github.com/fankcoder/findtrip

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)。

14.基于requests、MySQLdb、torndb的网易客户端内容爬虫

GitHub:https://github.com/leyle/163spider

15.豆瓣电影、书籍、小组、相册、东西等爬虫集

GitHub:https://github.com/fanpei91/doubanspiders

16.QQ空间爬虫

GitHub:https://github.com/LiuXingMing/QQSpider

包括日志、说说、个人信息等,一天可抓取 400 万条数据。

17.百度mp3全站爬虫,使用redis支持断点续传。

GitHub:https://github.com/Shu-Ji/baidu-music-spider

18.淘宝和天猫的爬虫

GitHub:https://github.com/pakoo/tbcrawler

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。

19.一个股票数据(沪深)爬虫和选股策略测试框架

GitHub:https://github.com/benitoro/stockholm

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。

本文内容转载自网络,本着分享与传播的原则,版权归原作者所有,如有侵权请联系我们进行删除!

预约申请免费试听课

填写下面表单即可预约申请免费试听!怕钱不够?可就业挣钱后再付学费! 怕学不会?助教全程陪读,随时解惑!担心就业?一地学习,可全国推荐就业!

上一篇:如何引导孩子学习Python好编程语言
下一篇:用Python完成一个简单的自动化任务

Python编程练习题二

Python编程练习题一

Python实现降雪效果

Python中dir()、help()的使用

选择城市和中心
黑龙江省

吉林省

河北省

湖南省

贵州省

云南省

广西省

海南省