1- 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。
（这个爬虫的难点在于没有登录的情况下只能爬取10页，这时候就需要登录携带cookies信息进行爬取了；
这个爬虫检测反爬的条件就是检测请求速度的问题，使用代理IP进行，在请求返回状态码为300的时候使用代理；；）

2- 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。
（豆瓣对于爬虫的检测可以说是很弱的，只需要携带头部信息就可以，其余的就是请求页面，分析页面，提取有用信息的过程了，还有就是需要学会如何保存信息到Excel表格中）

3- 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。

4- 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。
（https://space.bilibili.com/数字）这个网址后面的数字就是用户的ID，把对应用户的ID号接上去，之后发起请求，对返回信息进行处理即可。

5- 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。
（需要建立一个cookies池，每次请求的时候，随机携带一个cookies进行请求，减少同一个账号的请求频率）

6- 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。
（小说的爬虫项目对于所有的新手而言，应该都有尝试过的，但是使用分布式网络爬虫来实现，这个是另外的一个上手项目了，毕竟这还是有一定的挑战的。）

7- 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。

8- 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。

9- 京东爬虫。基于scrapy的京东网站爬虫，保存格式为csv。
（京东对于反爬，还不是非常的严格，还是比较简单实现的，带上头部信息去请求一般都可以实现了，但是速度还是需要注意的）

10- 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。

11-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。

12- hao123网站爬虫。以hao123为入口页面，滚动爬取外链，收集网址，并记录网址上的内链和外链数目，记录title等信息，windows7 32位上测试，目前每24个小时，可收集数据为10万左右

13- 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）。

14- 基于requests、MySQLdb、torndb的网易客户端内容爬虫

15- 豆瓣电影、书籍、小组、相册、东西等爬虫集

16- 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。

17- 百度mp3全站爬虫，使用redis支持断点续传。

18- 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。

19- 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。

20-百度云盘爬虫。

21-社交数据爬虫。支持微博,知乎,豆瓣。

22-Python爬虫代理IP池(proxy pool)。

23-爬取网易云音乐所有歌曲的评论。

24-爬取煎蛋妹纸图片。

25-cnblogs列表页爬虫。

26-爬取慕课网视频。
（这个爬取视频的时候，携带头部信息就可以了，同时对于慕课网上面的视频需要进行下载还是比较容易的）

27-中国知网爬虫。
（使用抓包软件进行抓取下载时候的下载论文的url，构造下载论文的url进行请求）

28-知道创宇爬虫题目。

29-58同城上面的房子信息。
（爬虫需要携带头部信息，并且需要更换代理IP进行请求。）

30-动态IP解决新浪的反爬虫机制，快速抓取内容。

34-爬取CSDN上的博客文章。
（这个爬虫对于某一个博主的文章可以直接在该博主的主页进行请求，可以获得该博主的首页博客信息，需要考虑的是翻页还有就是对每一个详情页进行请求获取详细信息，同时需要考虑爬虫速度问题，过快会不会出现问题）

32-爬取西刺上的代理IP，并验证代理可用性
（这个爬虫也是一个简单的过程，使用一下爬虫头部就可以了。但是需要注意的是不要把爬虫的速度弄得过快，毕竟西祠代理时常崩溃，不要过分请求。）（每日代理、快代理、云代理等等都可以作为尝试）
（另外就是检测代理的可用性，这个需要一个一个检测，这时候就需要使用到多线程或者多进程了，不然这速度，一天都检测不完）
（参考思路：把所有的代理IP地址分别构造一次携带代理IP进行请求百度首页，设定一个超时时间，之后检测返回的状态码；200证明代理IP可用，其余的证明代理IP的可用性能查差，放弃）

另外推荐其他的上手网站：
房子类网站：安居客、58同城……
招聘网站：BOSS直聘、前程无忧……

对于头部信息的随机

import requests
from fake_useragent import UserAgentua = UserAgent()
header = {"User-Agent":ua.random}response = requsets.get(url,headers=header)

项目来自：https://www.cnblogs.com/duanhaoxin/p/10155105.html——思路自行构思
————————————————————后续慢慢更新其他项目的思路