python爬虫文件代码大全-23个Python爬虫开源项目代码

python爬虫文件代码大全-23个Python爬虫开源项目代码今天为大家整理了23个Python爬虫项目。整理的原因是,爬虫入门简单快速,也非常适合新入门的小伙伴培养信心。所有链接指向GitHub,祝大家玩的愉快1、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。2、DouBanSpider[2]–豆瓣读书爬虫。可以爬下豆瓣读书标签下的所有…

大家好,又见面了,我是你们的朋友全栈君。

今天为大家整理了23个Python爬虫项目。整理的原因是,爬虫入门简单快速,也非常适合新入门的小伙伴培养信心。所有链接指向GitHub,祝大家玩的愉快

1、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。

2、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。

3、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

4、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。

5、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。

6、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。

7、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。

8、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。

9、scrapy_jingdong [9]– 京东爬虫。

基于scrapy的京东网站爬虫,保存格式为csv。

10、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。

11、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。

12、spider[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、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)。

14、163spider [14] – 基于requests、MySQLdb、torndb的网易客户端内容爬虫

15、doubanspiders[15]– 豆瓣电影、书籍、小组、相册、东西等爬虫集

16、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。

17、baidu-music-spider [17]– 百度mp3全站爬虫,使用redis支持断点续传。

18、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19、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、BaiduyunSpider[20]-百度云盘爬虫。

21、Spider[21]-社交数据爬虫。支持微博,知乎,豆瓣。

22、proxy pool[22]-Python爬虫代理IP池(proxy pool)。

23、music-163[23]-爬取网易云音乐所有歌曲的评论。

来源:全球人工智能

作者:SFLYQ

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/145918.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...

(0)


相关推荐

  • SAP Fiori refreshSecurityToken

    SAP Fiori refreshSecurityTokenCreatedbyWang,Jerry,lastmodifiedonMar26,2015要获取更多Jerry的原创文章,请关注公众号”汪子熙”:

    2022年10月27日
  • cmd无法切换目录_cmd重置目录

    cmd无法切换目录_cmd重置目录怎样在CMD内切换到d:\总显示是在c:\的目录里,用cdd:\却还是在C:\下 明显的……这个命令怎么会有效?!应该是:D:而不是CDD:!!

    2022年10月31日
  • linux 数据恢复软件_常见的数据恢复软件

    linux 数据恢复软件_常见的数据恢复软件一。数据删除命令:rm-rf,将任何数据直接从硬盘删除,且没有任何提示建议做法:把命令参数放到后面:rm-rfi将删除的东西通过mv命令移动到系统下的/temp目录下,然后写个脚本定期执行清除操

  • 统一用户登录管理认证LDAP 服务端部署

    网上找了好多关于LDAP统一账户管理的文件,好多都是粘贴复制,能用得上的少之又少,正好最近又用到这个,于是着手看了郭老师的视频,顺便把自己学习的过程记录下来,供大家学习参考。1、实验环境:[root@localhost~]#cat/etc/redhat-releaseCentOSLinuxrelease7.2.1511(Core)[root@loca…

  • maven的热部署

    maven的热部署在tomcat中配置用户权限,即添加管理员帐号 在根目录/conf/tomcat-users.xml 里添加下面的代码 <rolerolename="manager-gui"/><rolerolename="manager-script"/><userusername="admin"password="admin"roles="mana

  • SharePoint 2013 必备组件之 Windows Server AppFabric 安装错误

    SharePoint 2013 必备组件之 Windows Server AppFabric 安装错误1、如下图,在使用SharePoint2013产品准备工具的时候,网上下载安装WindowsServerAppFabric的时候,报错,点击完成重启计算机,重新安装依然报错。2、无奈之下,只有选择手动安装,下载好安装包,双击安装;安装完成就报错,但是有如下提示,不过相比日志看起来人性化多了。由于安装程序MSI返回错误代码1603,因此,AppFabric安装失败。3、经

    2022年10月16日

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号