Python从入门到网络爬虫（23个Python开源项目）

news2024/11/16 5:28:21

前言

随着互联网的快速发展，大量的信息被不断地产生和积累，这也使得网络爬虫变得越来越重要。而Python作为一门高效、易用的编程语言，被广泛地应用于网络爬虫领域。本文将从多个角度分析Python开源爬虫项目的优缺点、应用场景以及未来发展方向。

下面给大家介绍23个GitHub上优秀的Python开源爬虫项目

1. WechatSogou – 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/Wec...https://link.segmentfault.com/?enc=KLyVF18vEtDAn6fxSOU9HA%3D%3D.3kTXjklDtzaGPhcTOR77bzm3BPcMwRaLd%2Bb1KacFpH%2BYQxzTcMOrmMvelX7FUyHN

2. DouBanSpider – 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...https://link.segmentfault.com/?enc=2MtMvmYy4rlTKjZl53RIqg%3D%3D.fUtWKiFupK%2Fg7W1N3uMf4MsmXyM2ojjb7cZcr25KGycUq2yjPpcBsMy8%2FCYINICN

3. zhihu_spider – 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/zhi...https://link.segmentfault.com/?enc=e%2BR75PlOTElc2lSLzbT21g%3D%3D.G2dWwnoq20Ng2v7zSwJl9XSDGVEWEQl7A3d4%2FTDe3HbW%2FGr%2FcQl4yj0TBtcMjeXt

4. bilibili-user – 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...https://link.segmentfault.com/?enc=E1%2BNm80uTkXGMSui6QgwVA%3D%3D.uIlMaiXKBdilTbT3yvTaGKRxGBtEklY9tucPS4YUqtaTQtElwE8WTi4fyNoTIGEB

5. SinaSpider – 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/LiuXingMin...https://link.segmentfault.com/?enc=DIEhVbXZwyFmiphtlPyBYQ%3D%3D.mzYvOxlt7sxUnZscua3QioDLQO1CV5O5W04WXNPrbD6otsX1TImlXM2o17IMSUMh

6. distribute_crawler – 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/di...https://link.segmentfault.com/?enc=BQDFpgjSNdIwExhWXHTWGg%3D%3D.t%2BeSF5YxKClrXxr9Xia5qyJjGRCQBEcyWS4%2BNkDpgissHrtsoN%2FPrUS5SjSXx92B

7. CnkiSpider – 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/Cn...https://link.segmentfault.com/?enc=vhpzc6XBMcnagMvq99F0tw%3D%3D.s7KCmnlPPj3sEtW2%2FCt9pq%2FEvYKsL65%2F5diTPZ1D6fpSA4Dsl5OQ4r9mByOf%2Fh54

8. LianJiaSpider – 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...https://link.segmentfault.com/?enc=m1jp2iU8dcgEocx%2BDIIlww%3D%3D.5%2Fas1ZDgyXTga0m8mYyNLSL7ZcGdzFImP753ElglzJu9WxkBeKVbfxeNkhGeubmT

9. scrapy_jingdong – 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/taizilongx...https://link.segmentfault.com/?enc=DtrWggyWf3NiYFoQiL9Jdw%3D%3D.tUs2ybx9axFEXwkuxtM%2BFtyfjeZzHhoDdnyiO05j2Z6tgiTUvyBGF5oNyyNi%2Bg90

10. QQ-Groups-Spider – 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/...https://link.segmentfault.com/?enc=5YOR4sg5fLK%2BRh%2B9n0%2FAtw%3D%3D.eYcC8RKtwhUusnE7tPXcqA0MuY%2F0FaEH%2BeGXLygVD5vSelH7J58q%2BKnQfAUs439R

11. wooyun_public - 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/wo...