Python開源爬蟲項目代碼：抓取淘寶、京東、QQ、知網(wǎng)數(shù)據(jù)

scrapy_jingdong[9]- 京東爬蟲?；趕crapy的京東網(wǎng)站爬蟲，保存格式為csv。[9]: https://github.com/taizilongxu/scrapy_jingdong

QQ-Groups-Spider[10]- QQ 群爬蟲。批量抓取 QQ 群信息，包括群名稱、群號、群人數(shù)、群主、群簡介等內(nèi)容，最終生成 XLS(X) / CSV 結(jié)果文件。[10]: https://github.com/caspartse/QQ-Groups-Spider

wooyun_public[11]-烏云爬蟲。 烏云公開漏洞、知識庫爬蟲和搜索。全部公開漏洞的列表和每個漏洞的文本內(nèi)容存在mongodb中，大概約2G內(nèi)容；如果整站爬全部文本和圖片作為離線查詢，大概需要10G空間、2小時（10M電信帶寬）；爬取全部知識庫，總共約500M空間。漏洞搜索使用了Flask作為web server，bootstrap作為前端。[11]: https://github.com/hanc00l/wooyun_public

2016.9.11補(bǔ)充：

QunarSpider[12]- 去哪兒網(wǎng)爬蟲。 網(wǎng)絡(luò)爬蟲之Selenium使用代理登陸：爬取去哪兒網(wǎng)站，使用selenium模擬瀏覽器登陸，獲取翻頁操作。代理可以存入一個文件，程序讀取并使用。支持多進(jìn)程抓取。[12]: https://github.com/lining0806/QunarSpider

findtrip[13]- 機(jī)票爬蟲（去哪兒和攜程網(wǎng)）。Findtrip是一個基于Scrapy的機(jī)票爬蟲，目前整合了國內(nèi)兩大機(jī)票網(wǎng)站（去哪兒 + 攜程）。[13]: https://github.com/fankcoder/findtrip

163spider[14] - 基于requests、MySQLdb、torndb的網(wǎng)易客戶端內(nèi)容爬蟲。[14]: https://github.com/leyle/163spider

doubanspiders[15]- 豆瓣電影、書籍、小組、相冊、東西等爬蟲集。[15]: https://github.com/dontcontactme/doubanspiders

QQSpider[16]- QQ空間爬蟲，包括日志、說說、個人信息等，一天可抓取 400 萬條數(shù)據(jù)。[16]:https://github.com/LiuXingMing/QQSpider

baidu-music-spider[17]- 百度mp3全站爬蟲，使用redis支持?jǐn)帱c續(xù)傳。[17]: https://github.com/Shu-Ji/baidu-music-spider

tbcrawler[18]- 淘寶和天貓的爬蟲,可以根據(jù)搜索關(guān)鍵詞,物品id來抓去頁面的信息，數(shù)據(jù)存儲在mongodb。[18]: https://github.com/pakoo/tbcrawler

stockholm[19]- 一個股票數(shù)據(jù)（滬深）爬蟲和選股策略測試框架。根據(jù)選定的日期范圍抓取所有滬深兩市股票的行情數(shù)據(jù)。支持使用表達(dá)式定義選股策略。支持多線程處理。保存數(shù)據(jù)到JSON文件、CSV文件。[19]https://github.com/benitoro/stockholm

WechatSogou[1]- 微信公眾號爬蟲?；谒压肺⑿潘阉鞯奈⑿殴娞柵老x接口，可以擴(kuò)展成基于搜狗搜索的爬蟲，返回結(jié)果是列表，每一項均是公眾號具體信息字典。[1]: https://github.com/Chyroc/WechatSogou

DouBanSpider[2]- 豆瓣讀書爬蟲?？梢耘老露拱曜x書標(biāo)簽下的所有圖書，按評分排名依次存儲，存儲到Excel中，可方便大家篩選搜羅，比如篩選評價人數(shù)>1000的高分書籍；可依據(jù)不同的主題存儲到Excel不同的Sheet ，采用User Agent偽裝為瀏覽器進(jìn)行爬取，并加入隨機(jī)延時來更好的模仿瀏覽器行為，避免爬蟲被封。[2]: https://github.com/lanbing510/DouBanSpider

zhihu_spider[3]- 知乎爬蟲。此項目的功能是爬取知乎用戶信息以及人際拓?fù)潢P(guān)系，爬蟲框架使用scrapy，數(shù)據(jù)存儲使用mongodb。[3]: https://github.com/LiuRoy/zhihu_spider

bilibili-user[4]- Bilibili用戶爬蟲?？倲?shù)據(jù)數(shù)：20119918，抓取字段：用戶id，昵稱，性別，頭像，等級，經(jīng)驗值，粉絲數(shù)，生日，地址，注冊時間，簽名，等級與經(jīng)驗值等。抓取之后生成B站用戶數(shù)據(jù)報告。[4]: https://github.com/airingursb/bilibili-user

SinaSpider[5]- 新浪微博爬蟲。主要爬取新浪微博用戶的個人信息、微博信息、粉絲和關(guān)注。代碼獲取新浪微博Cookie進(jìn)行登錄，可通過多賬號登錄來防止新浪的反扒。主要使用 scrapy 爬蟲框架。[5]: https://github.com/LiuXingMing/SinaSpider

distribute_crawler[6]- 小說下載分布式爬蟲。使用scrapy,redis, mongodb,graphite實現(xiàn)的一個分布式網(wǎng)絡(luò)爬蟲,底層存儲mongodb集群,分布式使用redis實現(xiàn),爬蟲狀態(tài)顯示使用graphite實現(xiàn)，主要針對一個小說站點。[6]: https://github.com/gnemoug/distribute_crawler

CnkiSpider[7]- 中國知網(wǎng)爬蟲。設(shè)置檢索條件后，執(zhí)行src/CnkiSpider.py抓取數(shù)據(jù)，抓取數(shù)據(jù)存儲在/data目錄下，每個數(shù)據(jù)文件的第一行為字段名稱。[7]: https://github.com/yanzhou/CnkiSpider

LianJiaSpider[8]- 鏈家網(wǎng)爬蟲。爬取北京地區(qū)鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲一文的全部代碼，包括鏈家模擬登錄代碼。[8]: https://github.com/lanbing510/LianJiaSpider

引薦：數(shù)據(jù)挖掘入門與實戰(zhàn)? 公眾號： datadw