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