Python爬蟲開源項目代碼，爬取微信、淘寶、豆瓣、知乎、新浪微博、QQ、去哪網等 代碼整理
轉自https://www.cnblogs.com/liuyanpeng93/p/7710719.html
整理了32個Python爬蟲項目。整理的原因是，爬蟲入門簡單快速，也非常適合新入門的小夥伴培養信心。所有鏈接指向GitHub，祝大家玩的愉快
1、WechatSogou [1]– 微信公衆號爬蟲。
基於搜狗微信搜索的微信公衆號爬蟲接口，可以擴展成基於搜狗搜索的爬蟲，返回結果是列表，每一項均是公衆號具體信息字典。
github地址：https://github.com/Chyroc/WechatSogou
2、DouBanSpider [2]– 豆瓣讀書爬蟲。
可以爬下豆瓣讀書標籤下的所有圖書，按評分排名依次存儲，存儲到Excel中，可方便大家篩選蒐羅，比如篩選評價人數>1000的高分書籍；可依據不同的主題存儲到Excel不同的Sheet ，採用User Agent僞裝爲瀏覽器進行爬取，並加入隨機延時來更好的模仿瀏覽器行爲，避免爬蟲被封。
github地址：https://github.com/lanbing510/DouBanSpider
3、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撲關係，爬蟲框架使用scrapy，數據存儲使用mongo
github地址：https://github.com/LiuRoy/zhihu_spider
4、bilibili-user [4]– Bilibili用戶爬蟲。
總數據數：20119918，抓取字段：用戶id，暱稱，性別，頭像，等級，經驗值，粉絲數，生日，地址，註冊時間，簽名，等級與經驗值等。抓取之後生成B站用戶數據報告。
github地址：https://github.com/airingursb/bilibili-user
5、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、粉絲和關注。代碼獲取新浪微博Cookie進行登錄，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。
github地址：https://github.com/LiuXingMing/SinaSpider
6、distribute_crawler [6]– 小說下載分佈式爬蟲。
使用scrapy,Redis, MongoDB,graphite實現的一個分佈式網絡爬蟲,底層存儲MongoDB集羣,分佈式使用Redis實現,爬蟲狀態顯示使用graphite實現，主要針對一個小說站點。
github地址：https://github.com/gnemoug/distribute_crawler
7、CnkiSpider [7]– 中國知網爬蟲。
設置檢索條件後，執行src/CnkiSpider.py抓取數據，抓取數據存儲在/data目錄下，每個數據文件的第一行爲字段名稱。
github地址：https://github.com/yanzhou/CnkiSpider
8、LianJiaSpider [8]– 鏈家網爬蟲。
爬取北京地區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。
github地址：https://github.com/lanbing510/LianJiaSpider
9、scrapy_jingdong [9]– 京東爬蟲。
基於scrapy的京東網站爬蟲，保存格式爲csv。
github地址：https://github.com/taizilongxu/scrapy_jingdong
10、QQ-Groups-Spider [10]– QQ 羣爬蟲。
批量抓取 QQ 羣信息，包括羣名稱、羣號、羣人數、羣主、羣簡介等內容，最終生成 XLS(X) / CSV 結果文件。
github地址：https://github.com/caspartse/QQ-Groups-Spider
11、wooyun_public[11]-烏雲爬蟲。
烏雲公開漏洞、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容存在MongoDB中，大概約2G內容；如果整站爬全部文本和圖片作爲離線查詢，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作爲web server，bootstrap作爲前端。
https://github.com/hanc00l/wooyun_public
12、spider[12]– hao123網站爬蟲。
以hao123爲入口頁面，滾動爬取外鏈，收集網址，並記錄網址上的內鏈和外鏈數目，記錄title等信息，windows7 32位上測試，目前每24個小時，可收集數據爲10萬左右
https://github.com/simapple/spider
13、findtrip [13]– 機票爬蟲（去哪兒和攜程網）。
Findtrip是一個基於Scrapy的機票爬蟲，目前整合了國內兩大機票網站（去哪兒 + 攜程）。
https://github.com/fankcoder/findtrip
163spider [14] – 基於requests、MySQLdb、torndb的網易客戶端內容爬蟲
https://github.com/leyle/163spider
doubanspiders[15]– 豆瓣電影、書籍、小組、相冊、東西等爬蟲集
https://github.com/fanpei91/doubanspiders
QQSpider [16]– QQ空間爬蟲，包括日誌、說說、個人信息等，一天可抓取 400 萬條數據。
https://github.com/LiuXingMing/QQSpider
baidu-music-spider [17]– 百度mp3全站爬蟲，使用redis支持斷點續傳。
https://github.com/Shu-Ji/baidu-music-spider
tbcrawler[18]– 淘寶和天貓的爬蟲,可以根據搜索關鍵詞,物品id來抓去頁面的信息，數據存儲在mongodb。
https://github.com/pakoo/tbcrawler
stockholm [19]– 一個股票數據（滬深）爬蟲和選股策略測試框架。根據選定的日期範圍抓取所有滬深兩市股票的行情數據。支持使用表達式定義選股策略。支持多線程處理。保存數據到JSON文件、CSV文件。
https://github.com/benitoro/stockholm
BaiduyunSpider[20]-百度雲盤爬蟲。
https://github.com/k1995/BaiduyunSpider
Spider[21]-社交數據爬蟲。支持微博,知乎,豆瓣。
https://github.com/Qutan/Spider
proxy pool[22]-Python爬蟲代理IP池(proxy pool)。
https://github.com/jhao104/proxy_pool
music-163[23]-爬取網易雲音樂所有歌曲的評論。
https://github.com/RitterHou/music-163