Python网络爬虫实战项目代码大全（长期更新，欢迎补充）

Python网络爬虫实战项目代码大全（长期更新，欢迎补充）

阿橙 · 1
个月内
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。
scrapy_jingdong [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。


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。


2016.9.11补充：
QunarSpider [12]-
去哪儿网爬虫。 网络爬虫之Selenium使用代理登陆：爬取去哪儿网站，使用selenium模拟浏览器登陆，获取翻页操作。代理可以存入一个文件，程序读取并使用。支持多进程抓取。
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）。
163spider [14]
- 基于requests、MySQLdb、torndb的网易客户端内容爬虫
doubanspiders [15]-
豆瓣电影、书籍、小组、相册、东西等爬虫集
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。
baidu-music-spider [17]-
百度mp3全站爬虫，使用redis支持断点续传。
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。
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。
BaiduyunSpider[20]-百度云盘爬虫。 

[1]: GitHub
- Chyroc/WechatSogou: 基于搜狗微信搜索的微信公众号爬虫接口

[2]: GitHub
- lanbing510/DouBanSpider: 豆瓣读书的爬虫

[3]: GitHub
- LiuRoy/zhihu_spider: 知乎爬虫

[4]: GitHub
- airingursb/bilibili-user: Bilibili用户爬虫

[5]: GitHub
- LiuXingMing/SinaSpider: 新浪微博爬虫（Scrapy、Redis）

[6]: GitHub
- 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

[7]: GitHub
- yanzhou/CnkiSpider: 中国知网爬虫
[8]: GitHub
- lanbing510/LianJiaSpider: 链家爬虫
[9]: GitHub
- taizilongxu/scrapy_jingdong: 用scrapy写的京东爬虫
[10]: GitHub
- caspartse/QQ-Groups-Spider: QQ Groups Spider（QQ 群爬虫）
[11]: GitHub
- hanc00l/wooyun_public: 乌云公开漏洞、知识库爬虫和搜索 crawl and search for wooyun.org public bug(vulnerability) and drops
[12]: GitHub
- lining0806/QunarSpider: 网络爬虫之Selenium使用代理登陆：爬取去哪儿网站
[13]: GitHub
- fankcoder/findtrip: 机票爬虫（去哪儿和携程网）。flight tickets multiple webspider.(scrapy + selenium + phantomjs + mongodb)
[14]: GitHub
- leyle/163spider: 爬取网易客户端内容的小爬虫。
[15]: GitHub
- dontcontactme/doubanspiders: 豆瓣电影、书籍、小组、相册、东西等爬虫集 writen in Python
[16]: GitHub
- LiuXingMing/QQSpider: QQ空间爬虫（日志、说说、个人信息）
[17]: GitHub
- Shu-Ji/baidu-music-spider: 百度mp3全站爬虫
[18]: GitHub
- pakoo/tbcrawler: 淘宝天猫 商品 爬虫
[19]: GitHub
- benitoro/stockholm: 一个股票数据（沪深）爬虫和选股策略测试框架
[20]:GitHub
- k1995/BaiduyunSpider: 爱百应，百度云网盘搜索引擎，爬虫+网站

--------------------------
本项目收录各种Python网络爬虫实战开源代码，并长期更新，欢迎补充。
更多Python干货欢迎关注：
微信公众号：Python中文社区

Python初级技术交流QQ群：152745094

Python高级技术交流QQ群：273186166

Python网络爬虫组QQ群：206241755

PythonWeb开发组QQ群：577672548

Python量化交易策略组QQ群：264204289

Python数据分析挖掘组QQ群：539956362

Python自然语言处理组QQ群：570364809 

-------------------------- 

Python学习资源下载：
Python学习思维脑图大全汇总打包 （密码请关注微信公众号“Python中文社区”后回复“思维”二字获取）