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。
(这个爬虫的难点在于没有登录的情况下只能爬取10页,这时候就需要登录携带cookies信息进行爬取了;
这个爬虫检测反爬的条件就是检测请求速度的问题,使用代理IP进行,在请求返回状态码为300的时候使用代理;;)
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。
(豆瓣对于爬虫的检测可以说是很弱的,只需要携带头部信息就可以,其余的就是请求页面,分析页面,提取有用信息的过程了,还有就是需要学会如何保存信息到Excel表格中)
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。
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。
(https://space.bilibili.com/数字)这个网址后面的数字就是用户的ID,把对应用户的ID号接上去,之后发起请求,对返回信息进行处理即可。
使用这个链接可以直接获取到up主的所有信息,这个一个非常简单方便的接口。
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。
(需要建立一个cookies池,每次请求的时候,随机携带一个cookies进行请求,减少同一个账号的请求频率)
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。
(小说的爬虫项目对于所有的新手而言,应该都有尝试过的,但是使用分布式网络爬虫来实现,这个是另外的一个上手项目了,毕竟这还是有一定的挑战的。)
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。
(知网的爬虫关键在于抓包,这个就需要使用到抓包软件了,因为知网的下载页面只是弹出一个新页面之后立即又重定向回到原页面的,这样子直接在浏览器上是没有办法抓到下载论文的url的)
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。
9- 京东爬虫。基于scrapy的京东网站爬虫,保存格式为csv。
(京东对于反爬,还不是非常的严格,还是比较简单实现的,带上头部信息去请求一般都可以实现了,但是速度还是需要注意的)
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。
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。
12- hao123网站爬虫。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)。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
15- 豆瓣电影、书籍、小组、相册、东西等爬虫集
(豆瓣的爬虫只需要找到对应的页面就可以了,在发起请求的时候添加一个头部信息就可以,豆瓣的反爬机制没有那么强,关键在于分析页面获取信息而已)
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。
17- 百度mp3全站爬虫,使用redis支持断点续传。
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。
(天猫的爬取这个并不是什么难事,关键在于淘宝的爬虫才是一块硬骨头,特别是对于搜索页面的请求,淘宝的反爬机制做得极其严密,这个不仅仅需要携带cookies、请求频率还不能够快、IP的请求也是有限制的……)
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。
20-百度云盘爬虫。
21-社交数据爬虫。支持微博,知乎,豆瓣。
22-Python爬虫代理IP池(proxy pool)。
(对于爬取代理网站,检测代理IP,建立自己的代理IP池,这个在我的博客中已经有文章详细介绍了)
23-爬取网易云音乐所有歌曲的评论。
(这个存在一定的开发接口,到网上去找一找对应的接口进行获取会比较简单)
24-爬取煎蛋妹纸图片。
25-cnblogs列表页爬虫。
26-爬取慕课网视频。
(这个爬取视频的时候,携带头部信息就可以了,同时对于慕课网上面的视频需要进行下载还是比较容易的)
27-中国知网爬虫。
(使用抓包软件进行抓取下载时候的下载论文的url,构造下载论文的url进行请求)
28-知道创宇爬虫题目。
29-58同城上面的房子信息。
(爬虫需要携带头部信息,并且需要更换代理IP进行请求。)
30-动态IP解决新浪的反爬虫机制,快速抓取内容。
34-爬取CSDN上的博客文章。
(这个爬虫对于某一个博主的文章可以直接在该博主的主页进行请求,可以获得该博主的首页博客信息,需要考虑的是翻页还有就是对每一个详情页进行请求获取详细信息,同时需要考虑爬虫速度问题,过快会不会出现问题)
32-爬取西刺上的代理IP,并验证代理可用性
(这个爬虫也是一个简单的过程,使用一下爬虫头部就可以了。但是需要注意的是不要把爬虫的速度弄得过快,毕竟西祠代理时常崩溃,不要过分请求。)(每日代理、快代理、云代理等等都可以作为尝试)
(另外就是检测代理的可用性,这个需要一个一个检测,这时候就需要使用到多线程或者多进程了,不然这速度,一天都检测不完)
(参考思路:把所有的代理IP地址分别构造一次携带代理IP进行请求百度首页,设定一个超时时间,之后检测返回的状态码;200证明代理IP可用,其余的证明代理IP的可用性能查差,放弃)
另外推荐其他的上手网站:
房子类网站:安居客、58同城……
招聘网站:BOSS直聘、前程无忧……
对于头部信息的随机
import requests
from fake_useragent import UserAgent
ua = UserAgent()
header = {
"User-Agent":ua.random}
response = requsets.get(url,headers=header)
项目来自:https://www.cnblogs.com/duanhaoxin/p/10155105.html——思路自行构思
————————————————————后续慢慢更新其他项目的思路
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/115128.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...