數據來源：數據挖掘入門與實戰 公眾號： datadw
scrapy_jingdong[9]- 京東爬蟲。基於scrapy的京東網站爬蟲，保存格式為csv。[9]: https://github.com/taizilongxu/scrapy_jingdong
QQ-Groups-Spider[10]- QQ 群爬蟲。批量抓取 QQ 群信息，包括群名稱、群號、群人數、群主、群簡介等內容，最終生成 XLS(X) / CSV 結果文件。[10]: https://github.com/caspartse/QQ-Groups-Spider
wooyun_public[11]-烏雲爬蟲。 烏雲公開漏洞、知識庫爬蟲和搜索。全部公開漏洞的列表和每個漏洞的文本內容存在mongodb中，大概約2G內容；如果整站爬全部文本和圖片作為離線查詢，大概需要10G空間、2小時（10M電信帶寬）；爬取全部知識庫，總共約500M空間。漏洞搜索使用了Flask作為web server，bootstrap作為前端。[11]: https://github.com/hanc00l/wooyun_public
2016.9.11補充：
QunarSpider[12]- 去哪兒網爬蟲。 網絡爬蟲之Selenium使用代理登陸：爬取去哪兒網站，使用selenium模擬瀏覽器登陸，獲取翻頁操作。代理可以存入一個文件，程序讀取並使用。支持多進程抓取。[12]: https://github.com/lining0806/QunarSpider
findtrip[13]- 機票爬蟲（去哪兒和攜程網）。Findtrip是一個基於Scrapy的機票爬蟲，目前整合了國內兩大機票網站（去哪兒 + 攜程）。[13]: https://github.com/fankcoder/findtrip
163spider[14] - 基於requests、MySQLdb、torndb的網易客戶端內容爬蟲。[14]: https://github.com/leyle/163spider
doubanspiders[15]- 豆瓣電影、書籍、小組、相冊、東西等爬蟲集。[15]: https://github.com/dontcontactme/doubanspiders
QQSpider[16]- QQ空間爬蟲，包括日志、說說、個人信息等，一天可抓取 400 萬條數據。[16]:https://github.com/LiuXingMing/QQSpider
baidu-music-spider[17]- 百度mp3全站爬蟲，使用redis支持斷點續傳。[17]: https://github.com/Shu-Ji/baidu-music-spider
tbcrawler[18]- 淘寶和天貓的爬蟲,可以根據搜索關鍵詞,物品id來抓去頁面的信息，數據存儲在mongodb。[18]: https://github.com/pakoo/tbcrawler
stockholm[19]- 一個股票數據（滬深）爬蟲和選股策略測試框架。根據選定的日期范圍抓取所有滬深兩市股票的行情數據。支持使用表達式定義選股策略。支持多線程處理。保存數據到JSON文件、CSV文件。[19]https://github.com/benitoro/stockholm
WechatSogou[1]- 微信公眾號爬蟲。基於搜狗微信搜索的微信公眾號爬蟲接口，可以擴展成基於搜狗搜索的爬蟲，返回結果是列表，每一項均是公眾號具體信息字典。[1]: https://github.com/Chyroc/WechatSogou
DouBanSpider[2]- 豆瓣讀書爬蟲。可以爬下豆瓣讀書標簽下的所有圖書，按評分排名依次存儲，存儲到Excel中，可方便大家篩選搜羅，比如篩選評價人數>1000的高分書籍；可依據不同的主題存儲到Excel不同的Sheet ，采用User Agent偽裝為瀏覽器進行爬取，並加入隨機延時來更好的模仿瀏覽器行為，避免爬蟲被封。[2]: https://github.com/lanbing510/DouBanSpider
zhihu_spider[3]- 知乎爬蟲。此項目的功能是爬取知乎用戶信息以及人際拓撲關系，爬蟲框架使用scrapy，數據存儲使用mongodb。[3]: https://github.com/LiuRoy/zhihu_spider
bilibili-user[4]- Bilibili用戶爬蟲。總數據數：20119918，抓取字段：用戶id，昵稱，性別，頭像，等級，經驗值，粉絲數，生日，地址，注冊時間，簽名，等級與經驗值等。抓取之后生成B站用戶數據報告。[4]: https://github.com/airingursb/bilibili-user
SinaSpider[5]- 新浪微博爬蟲。主要爬取新浪微博用戶的個人信息、微博信息、粉絲和關注。代碼獲取新浪微博Cookie進行登錄，可通過多賬號登錄來防止新浪的反扒。主要使用 scrapy 爬蟲框架。[5]: https://github.com/LiuXingMing/SinaSpider
distribute_crawler[6]- 小說下載分布式爬蟲。使用scrapy,redis, mongodb,graphite實現的一個分布式網絡爬蟲,底層存儲mongodb集群,分布式使用redis實現,爬蟲狀態顯示使用graphite實現，主要針對一個小說站點。[6]: https://github.com/gnemoug/distribute_crawler
CnkiSpider[7]- 中國知網爬蟲。設置檢索條件后，執行src/CnkiSpider.py抓取數據，抓取數據存儲在/data目錄下，每個數據文件的第一行為字段名稱。[7]: https://github.com/yanzhou/CnkiSpider
LianJiaSpider[8]- 鏈家網爬蟲。爬取北京地區鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲一文的全部代碼，包括鏈家模擬登錄代碼。[8]: https://github.com/lanbing510/LianJiaSpider