• Stars
    star
    4,682
  • Rank 9,037 (Top 0.2 %)
  • Language
    Python
  • License
    MIT License
  • Created over 5 years ago
  • Updated 6 months ago

Reviews

There are no reviews yet. Be the first to send feedback to the community and the maintainers!

Repository Details

实战🐍多种网站、电商数据爬虫🕷。包含🕸:淘宝商品、微信公众号、大众点评、企查查、招聘网站、闲鱼、阿里任务、博客园、微博、百度贴吧、豆瓣电影、包图网、全景网、豆瓣音乐、某省药监局、搜狐新闻、机器学习文本采集、fofa资产采集、汽车之家、国家统计局、百度关键词收录数、蜘蛛泛目录、今日头条、豆瓣影评、携程、小米应用商店、安居客、途家民宿❤️❤️❤️。微信爬虫展示项目:

GitHub contributors

ECommerceCrawlers

多种电商商品数据 🐍 爬虫,整理收集爬虫练习。每个项目都是成员写的。通过实战项目练习解决一般爬虫中遇到的问题。

通过每个项目的 readme,了解爬取过程分析。

对于精通爬虫的 pyer,这将是一个很好的例子减少重复收集轮子的过程。项目经常更新维护,确保即下即用,减少爬取的时间。

对于小白通过 ✍️ 实战项目,了解爬虫的从无到有。爬虫知识构建可以移步项目 wiki。爬虫可能是一件非常复杂、技术门槛很高的事情,但掌握正确的方法,在短时间内做到能够爬取主流网站的数据,其实非常容易实现,但建议从一开始就要有一个具体的目标。

在目标的驱动下,你的学习才会更加精准和高效。那些所有你认为必须的前置知识,都是可以在完成目标的过程中学到的 😁😁😁

需要进阶学习爬虫技巧,推荐王平大师傅的猿人学·爬虫逆向高阶课,报AJay13推荐,可享受内部优惠价格。

欢迎大家对本项目的不足加以指正,⭕️Issues 或者 🔔Pr

在之前上传的大文件贯穿了 3/4 的 commits,发现每次 clone 达到 100M,这与我们最初的想法违背,我们不能很有效的删除每一个文件(太懒),将重新进行初始化仓库的 commit。并在今后不上传爬虫数据,优化仓库结构。

About

Income

几乎 80%的项目都是帮客户写的爬虫,在添加到仓库之前已经经过客户同意可开源原则。

CrawlerDemo

Contribution👏

@joseph31 @Joynice @liangweiyang @Hatcat123 @jihu9 @ctycode @sparkyuyuanyuan
joseph31 Joynice liangweiyang Hatcat123 jihu9 ctycode sparkyuyuanyuan

wait for you

What You Learn ?

本项目使用了哪些有用的技术

  • 数据分析
    • chrome Devtools
    • Fiddler
    • Firefox
    • appnium
    • anyproxy
    • mitmproxy
  • 数据采集
  • 数据解析
    • re
    • beautifulsoup
    • xpath
    • pyquery
    • css
  • 数据保存
    • txt 文本
    • csv
    • excel
    • mysql
    • redis
    • mongodb
  • 反爬验证
    • mitmproxy 绕过淘宝检测
    • js 数据解密
    • js 数据生成对应指纹库
    • 文字混淆
    • 穿插脏数据
  • 效率爬虫
    • 单线程
    • 多线程
    • 多进程
    • 异步协成
    • 生产者消费者多线程
    • 分布式爬虫系统

链接标识官方文档或推荐例子

What`s Spider 🕷

ECommerceCrawlerswiki

🙋0x01 爬虫简介

爬虫

爬虫是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。

爬虫到底违法吗?

爬虫作用

  • 市场分析:电商分析、商圈分析、一二级市场分析等
  • 市场监控:电商、新闻、房源监控等
  • 商机发现:招投标情报发现、客户资料发掘、企业客户发现等

网页介绍

  • url
  • html
  • css
  • js

Roobots 协议

无规矩不成方圆,Robots 协议就是爬虫中的规矩,它告诉爬虫和搜索引擎哪些页面可以抓取,哪些不可以抓取。 通常是一个叫作 robots.txt 的文本文件,放在网站的根目录下。

🙋0x02 爬取过程

获取数据

模拟获取数据

🙋0x03 解析数据

re

beautifulsoup

xpath

pyquery

css

🙋0x04 存储数据

小规模数据存储(文本)

  • txt 文本
  • csv
  • excel

大规模数据存储(数据库)

  • mysql
  • redis
  • mongodb

🙋0x05 反爬措施

反爬

反反爬

🙋0x06 效率爬虫

多线程

多进程

异步协程

scrapy 框架

🙋0x07 可视化处理

flask Web

django Web

tkinter

echarts

electron

Padding

…………

Awesome-Example😍: