/Spider

爬虫实例:微博、b站、csdn、淘宝、今日头条、知乎、豆瓣、知乎APP、大众点评

Primary LanguagePython

Spider爬虫实例

1. dianping——大众点评

  • 大众点评获取所有排行榜店铺信息建表入库
  • selenium登录获取cookie,使用cookie模拟登录
  • 从库中获取所有店铺的id,拼接URL获取每个店铺所有评论信息并建表入库
  • 添加断点续爬功能,程序中断后自动从断点开始爬取。

2. zhihuCrawl——知乎web

  • 知乎模拟登录
  • 验证码图片保存,输入识别的验证码
  • 获取当日热门话题及其高赞回答
  • 保存问题标题、链接,回答者的ID,内容及点赞数量,存储至MongoDB

3. 微信公众号爬虫

  • 使用西刺代理构建代理ip池,检查代理ip连通性
  • 使用可用的ip爬取搜狗微信公众号文章
  • 将文章保存为.doc文档

4. 豆瓣读书爬虫

  • 读取豆瓣每个分类的书籍列表
  • 获取每本书信息,存储到MySQL,爬取完毕后删除重复数据并重新排序

5. csdn_scrapy——csdn网站

  • 爬取csdn所有子标签文章,清洗后保存到MongoDB
  • 使用scrapy.redis组件进行分布式部署

6. bilibili——b站

  • 使用scrapy-splash爬取b站子标签热门video排行的大量信息
  • 按标签建表保存至MongoDB

7. toutiao——今日头条web

  • 爬取今日头条子标签新闻
  • webdriver获取加密参数
  • ajax请求返回json数据解析,保存至MongoDB

8. taobao——淘宝web

  • 爬取淘宝各子标签,按销量排名商品信息,按分类保存至MongoDB
  • 通过pandas进行数据分析
  • 将商品在各省分布、销量排行、地图分布等通过matplotlib绘图显示

9. zhihu_app——知乎app

  • 爬取使用ssl-pinning技术的app
  • fiddler抓包获取api请求
  • 模拟手机端请求数据,解析json存入mysql

10. Ajax_weibo——微博app

  • 输入要爬取的博主ID,获取ajax请求
  • 解析json数据,爬取博主所有微博,保存至MySQL

11. scrapyd

docker scrapyd 配置文件