直接点目录过去，我喜欢隔段时间来这里絮叨一会的，和大家唠唠，导致中间越来越多了废话了。

文章目录

• 分点学习爬虫项目
• Scrapy项目
• 自己写的爬虫项目
• 前人汇总GitHub爬虫项目

前言：
“分点学习爬虫项目”，来源《从零开始学Python网络爬虫》由浅入深共有22个项目分知识点逐步掌握爬虫技术
"自己写的爬虫项目"慢慢学习慢慢写，就都搁这里汇总
"前人汇总GitHub爬虫项目"顾名思义是来至于前人总结好的一些github上的项目，目前这里有31个项目

自话：“分点学习爬虫项目”的源码，我暂时还没有整理出来，先列出项目清单，大概每个周末更新一下项目（emm，画大饼，不会引起民愤吧），前面简单的更新的快些，到后面的可能会慢一些，有时间就更一下，大家可以监督一哈我，别让我偷懒，嘻嘻。——2019.12.3

分割线：期末复习周了，“分点学习爬虫项目”第四节后的内容将不定期更新（看看什么时候有空），过了这段时间再恢复更新。——2019.12.21

来了来了，我又来絮叨了，已经有好久没编辑这个博文了，但是我爬虫的博客是有在更新的，虽然假期有些懒惰没有怎么更新（不要打我，我知道要更新了）。

没有到这个博文里编辑目录的主要原因是我每次更新完都要重新审核的，中间有好几次都说审核不通过，然后我找客服说明才通过了，麻烦的紧，想着写的差不多了再来编辑这里。看到这里想必大家伙知道了，那本书里的项目我差不多都更新完毕了。

关于爬虫项目我有几个要说，Selenium项目我自己是写了，但是苦于破解滑块验证码这一技术（PS:当然可以跳过破解，手动登录，但是就背离了selenium解放双手的本质了），我在网上看到的那些个博文，emm，上来就是一大段代码，好多关键字我又不明白什么意思，反反复复的搞，后来我自己写的破解滑块又实在是没脸见人（PS:可以解放双手，爬取数据），所以就不在大家这里献丑了，要是我后面懂了必定更新上来。

而Scrapy项目中，多为爬取简书的，但大家的意愿好像不是很想看这方面的，于是我挑选了爬取简书和知乎两个项目方向，与书中的不是很符合，但写的蛮详实的，两篇都被原力计划推荐了，这里建议先看爬简书的后看爬知乎的，Scrapy的项目并非是就此不更了，还有不少要学习的地方，我又盯上了《从零开始学Scrapy网络爬虫（视频教学版）》，我好像迷上了这个系列的书，入门确实不错，实践项目也多（PS:有些个过时了，不过主要掌握思路，剩下还是要自己敲），这本书我已经看了几章，还剩下些许抓紧时间看完，相比前面那本各有千秋吧，有兴趣的小伙伴一起学呀，要是我写了博文也会更新到新加的Scrapy项目目录。

话一出口这还收不住了，又絮絮叨叨讲了一大段（fei）话（做为里程碑式的总结），如果这些个爬虫博文对你有帮助的话，点个赞，留个言，好叫我知道我写的这些还有用处，谢谢大家伙支持了。——2020.3.19

分点学习爬虫项目

一、我的第一个爬虫

• 1.爬取小猪短租网北京地区短租房信息（2019.12.7更）在控制台显示结果
• 2.爬取酷狗TOP500音乐信息（2019.12.7更）在控制台显示结果
  二、正则表达式
• 3. 爬取《斗破苍穹》全文小说（2019.12.8更）存储格式为TXT文件
• 4. 爬取糗事百科笑话¹

三、lxml库和Xpath语法

• 5. 爬取豆瓣网图书TOP250的数据（2019.12.15更）存储格式为CSV文件
• 6. 爬取起点中文网小说信息（2019.12.15更）存储格式为Excel文件

四、使用API

• 7. 爬取PEXELS图片²

• 8. 爬取糗事百科网的用户地址³

五、数据库存储

• 9. 爬取豆瓣音乐TOP250的数据（2020.1.1更）存储形式为MongoDB

• 10. 爬取豆瓣电影TOP250的数据（2020.1.4更）存储形式为MySql

六、多进程爬虫

• 11. 爬取简书网热评文章（2020.1.17更）存储形式为MongoDB
• 12. 爬取转转网二手市场商品信息（2020.1.18更）存储形式为MongoDB

七、异步加载

• 13. 爬取简书用户动态信息（2020.1.21更）存储形式为MongoDB
• 14. 爬取简书网7日热门信息⁴

八、表单交互与模拟登入

• 15. 爬取拉勾网招聘信息（2020.2.2更）存储形式为MongoDB
• 16. 爬取新浪微博好友圈信息(与标题不符，我爬取的是微博热门的信息)

九、Selenium模拟浏览器

• 17. 爬取QQ空间好友说说
• 18. 爬取淘宝商品信息

十、Scrapy爬虫框架

• 19. 爬取简书网热门专题信息(与标题不符，我爬取的是二级页面（文章详情页）的内容)
• 20. 爬取知乎网Python精华话题(还爬取了图片，有多个个item分别由不同的pipeline处理)
• 21. 爬取简书网专题收录文章
• 22. 爬取简书网推荐信息

Scrapy项目

自己写的爬虫项目

前人汇总GitHub爬虫项目

WechatSogou [1]: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。

DouBanSpider [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。

zhihu_spider [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

bilibili-user [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。

SinaSpider [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。

distribute_crawler [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。

CnkiSpider [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。

LianJiaSpider [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。

scrapyjingdong [9]:京东爬虫。基于scrapy的京东网站爬虫，保存格式为csv。

QQ-Groups-Spider [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。

wooyunpublic [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。

findtrip [12]: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）。

163spider [13]:基于requests、MySQLdb、torndb的网易客户端内容爬虫

doubanspiders [14]:豆瓣电影、书籍、小组、相册、东西等爬虫集

QQSpider [15]: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。

baidu-music-spider [16]:百度mp3全站爬虫，使用redis支持断点续传。

tbcrawler [17]:淘宝和天猫的爬虫,可以根据搜索关键词,物品id来抓去页面的信息，数据存储在mongodb。

stockholm [18]: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。

BaiduyunSpider [19]:百度云盘爬虫。

Spider [20]:社交数据爬虫。支持微博,知乎,豆瓣。

proxy pool [21]:python爬虫代理IP池(proxy pool)。

music-163 [22]:爬取网易云音乐所有歌曲的评论。

jandan_spider [23]:爬取煎蛋妹纸图片。

CnblogsSpider [24]:cnblogs列表页爬虫。

spider_smooc [25]:爬取慕课网视频。

CnkiSpider [26]:中国知网爬虫。

knowsecSpider2 [27]:知道创宇爬虫题目。

aiss-spider [28]:爱丝APP图片爬虫，以及免支付破解VIP看图。

SinaSpider [29]:动态IP解决新浪的反爬虫机制，快速抓取内容。

csdn-spider [30]:爬取CSDN上的博客文章。

ProxySpider [31]:爬取西刺上的代理IP，并验证代理可用性