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 等等）

1、簡介

今天爲大家整理了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~

2、開源項目Github

2.1、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

2.2、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

2.3、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

2.4、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

2.5、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

2.6、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

2.7、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

2.8、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

2.9、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

2.10、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

2.11、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

2.12、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

2.13、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

2.14、163spider [14] – 基於requests、MySQLdb、torndb的網易客戶端內容爬蟲

https://github.com/leyle/163spider

2.15、doubanspiders[15]– 豆瓣電影、書籍、小組、相冊、東西等爬蟲集

https://github.com/fanpei91/doubanspiders

2.16、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

2.17、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

2.18、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

2.19、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

2.20BaiduyunSpider[20]-百度雲盤爬蟲

https://github.com/k1995/BaiduyunSpider

2.21、Spider[21]-社交數據爬蟲。支持微博,知乎,豆瓣

https://github.com/Qutan/Spider

2.22、proxy pool[22]-Python爬蟲代理IP池(proxy pool)

https://github.com/jhao104/proxy_pool

2.23、music-163[23]-爬取網易雲音樂所有歌曲的評論

https://github.com/RitterHou/music-163

2.24、jandan_spider[24]-爬取煎蛋妹紙圖片

使用selenium爬取煎蛋妹紙圖片(Python3)

https://github.com/Tony-Chiong/jandan_spider

2.25、CnblogsSpider[25]-cnblogs列表頁爬蟲

https://github.com/jackgitgz/CnblogsSpider

2.26、spider_smooc[26]-爬取慕課網視頻

https://github.com/qiyeboy/spider_smooc

2.27、CnkiSpider[27]-中國知網爬蟲

https://github.com/yanzhou/CnkiSpider

2.28、knowsecSpider2[28]-知道創宇爬蟲題目

https://github.com/littlethunder/knowsecSpider2

2.29、aiss-spider[29]-愛絲APP圖片爬蟲

https://github.com/x-spiders/aiss-spider

2.30、SinaSpider[30]-動態IP解決新浪的反爬蟲機制，快速抓取內容

https://github.com/LiuXingMing/SinaSpider

2.31、csdn-spider[31]-爬取CSDN上的博客文章

https://github.com/Kevinsss/csdn-spider

2.32、ProxySpider[32]-爬取西刺上的代理IP，並驗證代理可用性

https://github.com/zhangchenchen/proxyspider