爬虫23个小项目.pdf
免费下载
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。
github地址：https://github.com/Chyroc/WechatSogou
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。
github地址：https://github.com/lanbing510/DouBanSpider
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
github地址：https://github.com/LiuRoy/zhihu_spider
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。
github地址：https://github.com/airingursb/bilibili-user
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。
github地址：https://github.com/LiuXingMing/SinaSpider
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。
github地址：https://github.com/gnemoug/distribute_crawler
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。
github地址：https://github.com/yanzhou/CnkiSpider
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。
github地址：https://github.com/lanbing510/LianJiaSpider
9、scrapy_jingdong [9]– 京东爬虫。
基于scrapy的京东网站爬虫，保存格式为csv。
github地址：https://github.com/taizilongxu/scrapy_jingdong
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。
github地址：https://github.com/caspartse/QQ-Groups-Spider
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。
https://github.com/hanc00l/wooyun_public
12、spider[12]– hao123网站爬虫。
of 4
免费下载
【版权声明】本文为墨天轮用户原创内容，转载时必须标注文档的来源（墨天轮），文档链接，文档作者等基本信息，否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容，欢迎发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。
下载排行榜
评论