28个python爬虫项目，你想要的爬虫知识都准备好了~~

28个python爬虫项目，你想要的爬虫知识都准备好了~~

2024-12-27 04:39

互联网的数据爆炸式的增长，而利用 Python 爬虫我们可以获取大量有价值的数据：

1.爬取数据，进行市场调研和商业分析

爬取知乎优质答案，筛选各话题下最优质的内容；抓取房产网站买卖信息，分析房价变化趋势、做不同区域的房价分析；爬取招聘网站职位信息，分析各行业人才需求情况及薪资水平。

2.作为机器学习、数据挖掘的原始数据

比如你要做一个推荐系统，那么你可以去爬取更多维度的数据，做出更好的模型。

3.爬取优质的资源：图片、文本、视频

爬取商品（店铺）评论以及各种图片网站，获得图片资源以及评论文本数据。

掌握正确的方法，在短时间内做到能够爬取主流网站的数据，其实非常容易实现。

但建议你从一开始就要有一个具体的目标，在目标的驱动下，你的学习才会更加精准和高效。这里给你一条平滑的、零基础快速入门的学习路径：

1.了解爬虫的基本原理及过程

2.Requests+Xpath 实现通用爬虫套路

3.了解非结构化数据的存储

4.应对特殊网站的反爬虫措施

5.Scrapy 与 MongoDB，进阶分布式

下面给大家展示一些爬虫项目：

有些项目可能比较老了，不能用了，大家可以参考一下，重要的是一个思路，借鉴前人的一些经验，希望能帮到大家

（1）微信公众号爬虫

地址：https://github.com/Chyroc/WechatSogou

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）豆瓣读书爬虫

地址：https://github.com/lanbing510/DouBanSpider

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）知乎爬虫

地址：https://github.com/LiuRoy/zhihu_spider

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用户爬虫

地址：https://github.com/airingursb/bilibili-user

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）新浪微博爬虫

https://github.com/LiuXingMing/SinaSpider

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）小说下载分布式爬虫

https://github.com/gnemoug/distribute_crawler

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）中国知网爬虫

https://github.com/yanzhou/CnkiSpider

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）链家网爬虫

https://github.com/yanzhou/CnkiSpider

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）京东爬虫

https://github.com/taizilongxu/scrapy_jingdong

基于scrapy的京东网站爬虫，保存格式为csv。

（10） QQ 群爬虫

https://github.com/caspartse/QQ-Groups-Spider

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）乌云爬虫

https://github.com/hanc00l/wooyun_public

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）hao123网站爬虫

https://github.com/hanc00l/wooyun_public

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）机票爬虫（去哪儿和携程网）

https://github.com/hanc00l/wooyun_public

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

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

基于requests、MySQLdb、torndb的网易客户端内容爬虫。

（15）doubanspiders

https://github.com/sdfzy/doubanspiders

豆瓣电影、书籍、小组、相册、东西等爬虫集 writen by Python

（16） QQ空间爬虫

https://github.com/LiuXingMing/QQSpider

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

https://github.com/Shu-Ji/baidu-music-spider

百度mp3全站爬虫，使用redis支持断点续传。

（18）淘宝和天猫的爬虫

https://github.com/pakoo/tbcrawler

根据搜索关键词,物品id来抓取页面的信息，数据存储在mongodb。

（19）stockholm

https://github.com/benitoro/stockholm

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

https://github.com/k1995/BaiduyunSpider

百度云盘爬虫。

（21）社交数据爬虫

https://github.com/Qutan/Spider

支持微博,知乎,豆瓣。

（22）proxy pool

https://github.com/Qutan/Spider

Python爬虫代理IP池(proxy pool)。

（23）网易云音乐

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

爬取网易云音乐所有歌曲的评论。

（24）CnblogsSpider

https://github.com/jackgitgz/CnblogsSpider

cnblogs列表页爬虫。

（25）spider_smooc

https://github.com/jackgitgz/CnblogsSpider

爬取慕课网视频。

（26）knowsecSpider

https://github.com/littlethunder/knowsecSpider2

知道创宇爬虫题目。

（27）SinaSpider

https://github.com/szcf-weiya/SinaSpider

动态IP解决新浪的反爬虫机制，快速抓取内容。

（28）csdn-spider

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

爬取CSDN上的博客文章。

如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，沿着网络抓取自己的猎物（数据）爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序。

从技术层面来说就是通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频）爬到本地，进而提取自己需要的数据，存放起来使用

用户获取网络数据的方式：

方式1：浏览器提交请求--->下载网页代码--->解析成页面

方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

爬虫要做的就是方式

使用http库向目标站点发起请求，即发送一个Request

Request包含：请求头、请求体等

Request模块缺陷：不能执行JS 和CSS 代码

如果服务器能正常响应，则会得到一个Response

Response包含：html，json，图片，视频等

解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等

解析json数据：json模块

解析二进制数据:以wb的方式写入文件

数据库（MySQL，Mongdb、Redis）

Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）

Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）

ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

常见的请求方式：GET / POST

url全球统一资源定位符，用来定义互联网上一个唯一的资源例如：一张图片、一个文件、一段视频都可以用url唯一确定

url编码

https://www.baidu.com/s?wd=图片

网页的加载过程是：

加载一个网页，通常都是先加载document文档，

在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求

User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host；

cookies：cookie用来保存登录信息

注意：一般做爬虫都会加上请求头

请求头需要注意的参数：

（1）Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟）

（2）User-Agent:访问的浏览器（要加上否则会被当成爬虫程序）

（3）cookie：请求头注意携带

请求体如果是get方式，请求体没有内容（get请求的请求体放在 url后面参数中，直接能看到）如果是post方式，请求体是format dataps：

1、登录窗口，文件上传等，信息都会被附加到请求体内

2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post

200：代表成功

301：代表跳转

404：文件不存在

403：无权限访问

502：服务器错误

响应头需要注意的参数：

（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来

（2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另一个页面

JSON数据

如网页html，图片

二进制数据等

爬取--->解析--->存储

请求库：requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）

解析库：正则，beautifulsoup，pyquery 存储库：文件，MySQL，Mongodb，Redis