<返回更多

被称之为永远的神!就这6个Python爬虫开源项目?

2021-10-27    Python可乐
加入收藏

今天盘点 6 个爬虫开源项目,它们可以帮你爬天爬地爬空气,爬微博、爬B站、爬知乎、爬*站。

提前声明,切勿使用这些项目从事非法商业活动,仅用于用于科研学习

私信小编01即可获取大量Python学习资源

 

01

微博爬虫

这个开源项目程序可以持续爬取一个或多个新浪微博用户(如李文di、无疫烦)的数据,并将结果信息写入文件或数据库。写入信息几乎包括用户微博的所有数据,包括用户信息和微博信息两大类。

地址:https://github.com/dataabc/weiboSpider

爬取结果可写入文件和数据库,具体的写入文件类型如下:

  • txt文件
  • csv文件
  • json文件
  • MySQL数据库
  • MongoDB数据库
  • SQLite数据库

同时支持下载微博中的图片和视频,具体的可下载文件如下:

  • 原创微博中的原始图片
  • 转发微博中的原始图片
  • 原创微博中的视频
  • 转发微博中的视频
  • 原创微博Live Photo中的视频
  • 转发微博Live Photo中的视频

首先需要修改 config.json 文件,然后爬取,程序会自动生成一个 weibo 文件夹,我们以后爬取的所有微博都被存储在这里。

然后程序在该文件夹下生成一个名为"微博名字"的文件夹,明星的所有微博爬取结果都在这里。文件夹里包含一个csv文件、一个txt文件、一个json文件、一个img文件夹和一个video文件夹,img文件夹用来存储下载到的图片,video文件夹用来存储下载到的视频。如果你设置了保存数据库功能,这些信息也会保存在数据库里,数据库设置见设置数据库部分。

02

Python爬虫教程

Python爬虫教程系列、从 0 到 1 学习 Python 爬虫,包括浏览器抓包,手机 App 抓包,如 fiddler、mitmproxy,各种爬虫涉及的模块的使用,如:requests、beautifulSoup、selenium、appium、scrapy 等,以及验证码识别,MySQL,MongoDB 数据库的 Python 使用,多线程多进程爬虫的使用,css 爬虫加密逆向破解,JS爬虫逆向,分布式爬虫,爬虫项目实战实例等。

地址:https://github.com/wistbean/learn_python3_spider
被称之为永远的神!就这6个Python爬虫开源项目?

 

03

爬虫集合

这个开源项目收集了各种爬虫 ,包括 Blibli、博客园、百度百科、北邮人、百度云网盘、Boss、贝壳、豆瓣、CSDN、抖音、GitHub、京东、知乎、拉钩、链家、微信公众号、网易云等等,你能想到的国内外网站爬虫,都可以先来这里看看有没有开源的爬虫。

地址:https://github.com/facert/awesome-spider

04

智能爬虫平台

这个开源平台以流程图的方式定义爬虫,是一个高度灵活可配置的爬虫平台。你可以在该平台配置各种爬虫。

地址:https://gitee.com/ssssssss-team/spider-flow
被称之为永远的神!就这6个Python爬虫开源项目?

 

接下来以流程图的方式,开始配置一些变量和参数,点开始就能爬出你想要的数据。

被称之为永远的神!就这6个Python爬虫开源项目?

 


被称之为永远的神!就这6个Python爬虫开源项目?

 

05

JAVA爬虫

Spiderman 是一个Java开源Web数据抽取工具,它能够收集指定的Web页面并从这些页面中提取有用的数据。

Spiderman主要是运用了像XPath,正则表达式等这些技术来实数据抽取。

地址:https://gitee.com/l-weiwei/spiderman

 

06

爬虫大全

这个开源项目包含多种网站、电商数据爬虫。包含:淘宝商品、微信公众号、大众点评、招聘网站、闲鱼、阿里任务、scrapy博客园、微博、百度贴吧、豆瓣电影、包图网、全景网、豆瓣音乐、某省药监局、搜狐新闻、机器学习文本采集、fofa资产采集、汽车之家、国家统计局、百度关键词收录数、蜘蛛泛目录、今日头条、豆瓣影评️️️。

地址:https://gitee.com/AJay13/ECommerceCrawlers
被称之为永远的神!就这6个Python爬虫开源项目?

 

声明:本站部分内容来自互联网,如有版权侵犯或其他问题请与我们联系,我们将立即删除或处理。
▍相关推荐
更多资讯 >>>