28个python爬虫项目,看完这些你离爬虫高手就不远了

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:github.com/Chyroc/Wecha

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:github.com/lanbing510/D

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:github.com/LiuRoy/zhihu

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:github.com/airingursb/b

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

github.com/LiuXingMing/

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

github.com/gnemoug/dist

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

github.com/yanzhou/Cnki

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

github.com/yanzhou/Cnki

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

github.com/taizilongxu/

基于scrapy的京东网站爬虫,保存格式为csv。

(10) QQ 群爬虫

github.com/caspartse/QQ

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

github.com/hanc00l/wooy

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。

念无心:python步入高薪,踏上人生巅峰之路zhuanlan.zhihu.com图标

(12)hao123网站爬虫

github.com/hanc00l/wooy

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)

github.com/hanc00l/wooy

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

github.com/leyle/163spi

基于requests、MySQLdb、torndb的网易客户端内容爬虫。

(15)doubanspiders

github.com/sdfzy/douban

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

github.com/LiuXingMing/

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

github.com/Shu-Ji/baidu

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

github.com/pakoo/tbcraw

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

github.com/benitoro/sto

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

github.com/k1995/Baiduy

百度云盘爬虫。

(21)社交数据爬虫

github.com/Qutan/Spider

支持微博,知乎,豆瓣。

(22)proxy pool

github.com/Qutan/Spider

Python爬虫代理IP池(proxy pool)。

(23)网易云音乐

github.com/RitterHou/mu

爬取网易云音乐所有歌曲的评论。

(24)CnblogsSpider

github.com/jackgitgz/Cn

cnblogs列表页爬虫。

(25)spider_smooc

github.com/jackgitgz/Cn

爬取慕课网视频。

(26)knowsecSpider

github.com/littlethunde

知道创宇爬虫题目。

(27)SinaSpider

github.com/szcf-weiya/S

动态IP解决新浪的反爬虫机制,快速抓取内容。

(28)csdn-spider

github.com/Kevinsss/csd

爬取CSDN上的博客文章。

一、爬虫是什么?

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;

二、爬虫的基本流程

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2。


8个python爬虫项目,看完这些你离爬虫高手就不远了"

1、发起请求

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

2、获取响应内容

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

3、解析内容

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

4、保存数据

数据库(MySQL,Mongdb、Redis)

文件

三、http协议 请求与响应


8个python爬虫项目,看完这些你离爬虫高手就不远了"

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。

四、 request

1、请求方式:

常见的请求方式:GET / POST

2、请求的URL

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

图片会被编码(看示例代码)

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

3、请求头

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


8个python爬虫项目,看完这些你离爬虫高手就不远了"

8个python爬虫项目,看完这些你离爬虫高手就不远了"


8个python爬虫项目,看完这些你离爬虫高手就不远了"

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

4、请求体

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

五、 响应Response

1、响应状态码

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

2、respone header

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

3、preview就是网页源代码

JSON数据

如网页html,图片

二进制数据等

六、总结

1、总结爬虫流程:

爬取—>解析—>存储

2、爬虫所需工具:

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

看完的点个赞关注一下呗,谢谢大家了,以下是我的文章总的目录纲领,里面收录了许多关于python学习方面的文章,包括但不限于:python的学习方法、零基础入门、爬虫、开源框架、数据库、开发工具、一些实用技巧还有面试题等等,总会有你感兴趣的,嘿嘿**

原创文章,作者:27149,如若转载,请注明出处:http://wpbbw.com/4481.html

发表评论

登录后才能评论