标签：shu 集群 涵盖 离线 文件 npe 整合 断点续传 boot
WechatSogou
https://github.com/Chyroc/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。
DouBanSpider
https://github.com/lanbing510/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。
zhihu_spider
https://github.com/LiuRoy/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
bilibili-user
https://github.com/airingursb/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。
SinaSpider
https://github.com/LiuXingMing/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。
distribute_crawler
https://github.com/gnemoug/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。
CnkiSpider
https://github.com/yanzhou/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。
LianJiaSpider
https://github.com/lanbing510/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。
scrapyjingdong
https://github.com/taizilongxu/scrapyjingdong
京东爬虫。基于scrapy的京东网站爬虫，保存格式为csv。
QQ-Groups-Spider
https://github.com/caspartse/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。
wooyunpublic
https://github.com/hanc00l/wooyunpublic
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
https://github.com/fankcoder/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）。
163spider
https://github.com/leyle/163spider
基于requests、MySQLdb、torndb的网易客户端内容爬虫
doubanspiders
https://github.com/fanpei91/doubanspiders
豆瓣电影、书籍、小组、相册、东西等爬虫集
QQSpider
https://github.com/LiuXingMing/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。
baidu-music-spider
https://github.com/Shu-Ji/baidu-music-spider
百度mp3全站爬虫，使用redis支持断点续传。
tbcrawler
https://github.com/pakoo/tbcrawler
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
https://github.com/benitoro/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。
BaiduyunSpider
https://github.com/k1995/BaiduyunSpider
百度云盘爬虫。
Spider
https://github.com/Qutan/Spider
社交数据爬虫。支持微博,知乎,豆瓣。
proxy pool
https://github.com/jhao104/proxy_pool
python爬虫代理IP池(proxy pool)。
music-163
https://github.com/RitterHou/music-163
爬取网易云音乐所有歌曲的评论。
jandan_spider
https://github.com/kulovecc/jandan_spider
爬取煎蛋妹纸图片。
CnblogsSpider
https://github.com/jackgitgz/CnblogsSpider
cnblogs列表页爬虫。
spider_smooc
https://github.com/qiyeboy/spider_smooc
爬取慕课网视频。
CnkiSpider
https://github.com/yanzhou/CnkiSpider
中国知网爬虫。
knowsecSpider2
https://github.com/littlethunder/knowsecSpider2
知道创宇爬虫题目。
aiss-spider
https://github.com/x-spiders/aiss-spider
爱丝APP图片爬虫，以及免支付破解VIP看图。
SinaSpider
https://github.com/szcf-weiya/SinaSpider
动态IP解决新浪的反爬虫机制，快速抓取内容。
csdn-spider
https://github.com/Kevinsss/csdn-spider
爬取CSDN上的博客文章。
ProxySpider
https://github.com/changetjut/ProxySpider
爬取西刺上的代理IP，并验证代理可用性
标签：shu 集群 涵盖 离线 文件 npe 整合 断点续传 boot
原文地址：https://www.cnblogs.com/hankleo/p/9784544.html
