常用的高效爬虫框架和项目

最新推荐文章于 2024-04-28 22:32:33 发布

weixin_33692284

最新推荐文章于 2024-04-28 22:32:33 发布

阅读量324

点赞数

文章标签：游戏爬虫数据库

原文链接：https://my.oschina.net/chinahufei/blog/2961028

版权

2019独角兽企业重金招聘Python工程师标准>>>

看了阿里云云栖社的一片文章，和其他地方的资料，然后对常用的爬虫框架和项目做了下整理。

常用Python爬虫框架简介

Scrapy

# Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 
# 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
# 用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。
# 文档地址：https://scrapy.org/

PySpider

# pyspider 是一个用python实现的功能强大的网络爬虫系统，能在浏览器界面上进行脚本的编写，功能的调度和爬取结果的实时查看，后端使用常用的数据库进行爬取结果的存储，还能定时设置任务与任务优先级等。
# 文档地址：https://github.com/binux/pyspider

Crawley

# Crawley可以高速爬取对应网站的内容，支持关系和非关系数据库，数据可以导出为JSON、XML等。
# 文档地址：http://project.crawley-cloud.com/

Portia

# Portia是一个开源可视化爬虫工具，可让您在不需要任何编程知识的情况下爬取网站！简单地注释您感兴趣的页面，Portia将创建一个蜘蛛来从类似的页面提取数据。
# 文档地址：https://github.com/scrapinghub/portia

Newspaper

# Newspaper可以用来提取新闻、文章和内容分析。使用多线程，支持10多种语言等。
# 文档地址：https://github.com/codelucas/newspaper

Beautiful Soup

# Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.
# 它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.
# Beautiful Soup会帮你节省数小时甚至数天的工作时间。
# 文档地址: https://www.crummy.com/software/BeautifulSoup/bs4/doc/

Grab

# Grab是一个用于构建Web刮板的Python框架。借助Grab，您可以构建各种复杂的网页抓取工具，从简单的5行脚本到处理数百万个网页的复杂异步网站抓取工具。Grab提供一个API用于执行网络请求和处理接收到的内容，例如与HTML文档的DOM树进行交互。
# http://docs.grablib.org/en/latest/#grab-spider-user-manual.

Cola

# Cola是一个分布式的爬虫框架，对于用户来说，只需编写几个特定的函数，而无需关注分布式运行的细节。任务会自动分配到多台机器上，整个过程对用户是透明的。
# 文档地址:https://github.com/chineking/cola

23个爬虫项目

1、公众号爬虫

基于搜狗微信搜索的公众号爬虫接口，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/WechatSogou

2、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/DouBanSpider

3、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/zhihu_spider

4、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/bilibili-user

5、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/LiuXingMing/SinaSpider

6、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/distribute_crawler

7、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/CnkiSpider

8、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/LianJiaSpider

9、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/taizilongxu/scrapy_jingdong

10、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/QQ-Groups-Spider

11、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/wooyun_public

12、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

github地址：https://github.com/simapple/spider

13、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）。

github地址：https://github.com/fankcoder/findtrip

14、基于requests、MySQLdb、torndb的网易客户端内容爬虫

github地址：https://github.com/leyle/163spider

15、豆瓣电影、书籍、小组、相册、东西等爬虫集

github地址：https://github.com/fanpei91/doubanspiders

16、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