在github中最好用的19个Python爬虫推荐，建议收藏！_业界新闻

发布时间:2024-07-29 02:32

阅读量:0

刚从github上搜来19个常用的Python爬虫，技多不压身，觉得好用就收藏。

1.微信公众号爬虫

GitHub：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

GitHub：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

GitHub：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

GitHub：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

GitHub：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

GitHub：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

GitHub：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

GitHub：https://github.com/lanbing510/LianJiaSpider

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：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

GitHub：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

GitHub：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。