推荐23个Python爬虫开源项目代码：爬取微信、淘宝、豆瓣、知乎、微博等

点击上方 Python知识圈，选择“设为星标”

回复“1024”获取编程资料

阅读文本大概需要 5 分钟。

今天为大家整理了23个Python爬虫项目。整理的原因是，爬虫入门简单快速，也非常适合新入门的小伙伴培养信心，所有链接指向GitHub，微信不能直接打开，老规矩，可以用电脑打开，大家按需获取。

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。

后台回复【微信公众号爬虫】，获取源码。

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。

后台回复【豆瓣读书爬虫】，获取源码

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

后台回复【知乎爬虫】，获取源码。

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。

后台回复【B站用户爬虫】，获取源码。

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。

后台回复【新浪微博爬虫】，获取源码。

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。

后台回复【小说下载分布式爬虫】，获取源码。

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。

后台回复【中国知网爬虫】，获取源码。

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。

后台回复【链家网爬虫】，获取源码。

9. scrapy_jingdong – 京东爬虫

基于scrapy的京东网站爬虫，保存格式为csv。

后台回复【京东爬虫】，获取源码。

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。

后台回复【QQ群爬虫】，获取源码。

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。

后台回复【乌云爬虫】，获取源码。

12. spider – hao123网站爬虫

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

后台回复【hao123网站爬虫】，获取源码。

13. findtrip – 机票爬虫（去哪儿和携程网）

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）。

后台回复【机票爬虫】，获取源码。

14. 163spider – 基于requests、MySQLdb、torndb的网易客户端内容爬虫

后台回复【网易客户端内容爬虫】，获取源码。

15. doubanspiders – 豆瓣电影、书籍、小组、相册、东西等爬虫集

后台回复【豆瓣爬虫】，获取源码。

16. QQSpider – QQ空间爬虫，包括日志、说说、个人信息等，一天可抓取 400 万条数据。

后台回复【QQ空间爬虫】，获取源码。

17. baidu-music-spider – 百度mp3全站爬虫，使用redis支持断点续传。

后台回复【百度mp3全站爬虫】，获取源码。

18. tbcrawler – 淘宝和天猫的爬虫,可以根据搜索关键词,物品id来抓取页面的信息，数据存储在mongodb。

后台回复【淘宝和天猫爬虫】，获取源码。

19. 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。

后台回复【股票数据爬虫】，获取源码。

20. BaiduyunSpider - 百度云盘爬虫

后台回复【百度云盘爬虫】，获取源码。

21. Spider - 社交数据爬虫。支持微博,知乎,豆瓣

后台回复【社交数据爬虫】，获取源码。

22. proxy pool - Python爬虫代理IP池(proxy pool)

后台回复【Python爬虫代理IP池】，获取源码。

23. music-163 - 爬取网易云音乐所有歌曲的评论

后台回复【网易云音乐爬虫】，获取源码。

 精彩推荐 

Python批量下载无版权图片

讲讲Python爬虫绕过登录的小技巧

向Excel说再见，神级编辑器统一表格与Python

以梦为马，不负韶华

觉得不错，点在看、转发分享朋友圈都是一种支持。

--留言时间--

觉得不错

右下角

点个在看