• Python网络爬虫权威指南 第2版
21年品牌 40万+商家 超1.5亿件商品

Python网络爬虫权威指南 第2版

正版保障 假一赔十 可开发票

49 6.2折 79 全新

库存31件

广东广州
认证卖家担保交易快速发货售后保障

作者[美] 瑞安·米切尔(Ryan Mitchell)

出版社人民邮电出版社

ISBN9787115509260

出版时间2019-04

装帧平装

开本16开

定价79元

货号27857494

上书时间2024-10-27

兴文书店

三年老店
已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:全新
商品描述
导语摘要
本书采用简洁强大的Python 语言,介绍了网页抓取,并为抓取新式网络中的各种数据类型提供了全面的指导。*部分重点介绍网页抓取的基本原理:如何用Python 从网络服务器请求信息,如何对服务器的响应进行基本处理,以及如何以自动化手段与网站进行交互。第二部分介绍如何用网络爬虫测试网站,自动化处理,以及如何通过更多的方式接入网络。

作者简介
瑞安·米切尔(Ryan Mitchell) 数据科学家、软件工程师,有丰富的网络爬虫和数据分析实战经验,目前就职于美国格理集团,经常为网页数据采集项目提供咨询服务,并在美国东北大学和美国欧林工程学院任教。

目录
前言   xi

第 一部分 创建爬虫

第 1 章 初见网络爬虫 3

1.1 网络连接 3

1.2 BeautifulSoup 简介 5

1.2.1 安装BeautifulSoup 6

1.2.2 运行BeautifulSoup 8

1.2.3 可靠的网络连接以及异常的处理 9

第 2 章 复杂HTML 解析 13

2.1 不是一直都要用锤子 13

2.2 再端一碗BeautifulSoup 14

2.2.1 BeautifulSoup 的find() 和find_all() 16

2.2.2 其他BeautifulSoup 对象 18

2.2.3 导航树 18

2.3 正则表达式 22

2.4 正则表达式和BeautifulSoup 25

2.5 获取属性 26

2.6 Lambda 表达式 26

第3 章 编写网络爬虫 28

3.1 遍历单个域名 28

3.2 抓取整个网站 32

3.3 在互联网上抓取 36

第4 章 网络爬虫模型 41

4.1 规划和定义对象 41

4.2 处理不同的网站布局 45

4.3 结构化爬虫 49

4.3.1 通过搜索抓取网站 49

4.3.2 通过链接抓取网站 52

4.3.3 抓取多种类型的页面 54

4.4 关于网络爬虫模型的思考 55

第5 章 Scrapy 57

5.1 安装Scrapy 57

5.2 创建一个简易爬虫 59

5.3 带规则的抓取 60

5.4 创建item 64

5.5 输出item 66

5.6 item 管线组件 66

5.7 Scrapy 日志管理 69

5.8 更多资源 70

第6 章 存储数据 71

6.1 媒体文件 71

6.2 把数据存储到CSV 74

6.3 MySQL 75

6.3.1 安装MySQL 76

6.3.2 基本命令 78

6.3.3 与Python 整合 81

6.3.4 数据库技术与实践 84

6.3.5 MySQL 里的“六度空间游戏” 86

6.4 Email 88

第二部分 高级网页抓取

第7 章 读取文档 93

7.1 文档编码 93

7.2 纯文本 94

7.3 CSV 98

7.4 PDF 100

7.5 微软Word 和.docx 102

第8 章 数据清洗 106

8.1 编写代码清洗数据 106

8.2 数据存储后再清洗 111

第9 章 自然语言处理 115

9.1 概括数据 116

9.2 马尔可夫模型 119

9.3 自然语言工具包 124

9.3.1 安装与设置 125

9.3.2 用NLTK 做统计分析 126

9.3.3 用NLTK 做词性分析 128

9.4 其他资源 131

第 10 章 穿越网页表单与登录窗口进行抓取 132

10.1 Python Requests 库 132

10.2 提交一个基本表单 133

10.3 单选按钮、复选框和其他输入 134

10.4 提交文件和图像 136

10.5 处理登录和cookie 136

10.6 其他表单问题 139

第 11 章 抓取JavaScript 140

11.1 JavaScript 简介 140

11.2 Ajax 和动态HTML 143

11.2.1 在Python 中用Selenium 执行JavaScript 144

11.2.2 Selenium 的其他webdriver 149

11.3 处理重定向 150

11.4 关于JavaScript 的后提醒 151

第 12 章 利用API 抓取数据 152

12.1 API 概述 152

12.1.1 HTTP 方法和API 154

12.1.2 更多关于API 响应的介绍 155

12.2 解析JSON 数据 156

12.3 无文档的API 157

12.3.1 查找无文档的API 159

12.3.2 记录未被记录的API 160

12.3.3 自动查找和记录API 160

12.4 API 与其他数据源结合 163

12.5 再说一点API 165

第 13 章 图像识别与文字处理 167

13.1 OCR 库概述 168

13.1.1 Pillow 168

13.1.2 Tesseract 168

13.1.3 NumPy 170

13.2 处理格式规范的文字 171

13.2.1 自动调整图像 173

13.2.2 从网站图片中抓取文字 176

13.3 读取验证码与训练Tesseract 178

13.4 获取验证码并提交答案 183

第 14 章 避开抓取陷阱 186

14.1 道德规范 186

14.2 让网络机器人看着像人类用户 187

14.2.1 修改请求头 187

14.2.2 用JavaScript 处理cookie 189

14.2.3 时间就是一切 191

14.3 常见表单安全措施 191

14.3.1 隐含输入字段值 192

14.3.2 避免蜜罐 192

14.4 问题检查表 194

第 15 章 用爬虫测试网站 196

15.1 测试简介 196

15.2 Python 单元测试 197

15.3 Selenium 单元测试 201

15.4 单元测试与Selenium 单元测试的选择 205

第 16 章 并行网页抓取 206

16.1 进程与线程 206

16.2 多线程抓取 207

16.2.1 竞争条件与队列 209

16.2.2 threading 模块 212

16.3 多进程抓取 214

16.3.1 多进程抓取 216

16.3.2 进程间通信 217

16.4 多进程抓取的另一种方法 219

第 17 章 远程抓取 221

17.1 为什么要用远程服务器 221

17.1.1 避免IP 地址被封杀 221

17.1.2 移植性与扩展性 222

17.2 Tor 代理服务器 223

17.3 远程主机 224

17.3.1 从网站主机运行 225

17.3.2 从云主机运行 225

17.4 其他资源 227

第 18 章 网页抓取的法律与道德约束 228

18.1 商标、版权、专利 228

18.2 侵害动产 230

18.3 计算机欺诈与滥用法 232

18.4 robots.txt 和服务协议 233

18.5 3 个网络爬虫 236

18.5.1 eBay 起诉Bidder’s Edge 侵害其动产 236

18.5.2 美国政府起诉Auernheimer 与《计算机欺诈与滥用法》 237

18.5.3 Field 起诉Google:版权和robots.txt 239

18.6 勇往直前 239

关于作者 241

关于封面 241

内容摘要
本书采用简洁强大的Python 语言,介绍了网页抓取,并为抓取新式网络中的各种数据类型提供了全面的指导。*部分重点介绍网页抓取的基本原理:如何用Python 从网络服务器请求信息,如何对服务器的响应进行基本处理,以及如何以自动化手段与网站进行交互。第二部分介绍如何用网络爬虫测试网站,自动化处理,以及如何通过更多的方式接入网络。

主编推荐
瑞安·米切尔(Ryan Mitchell) 数据科学家、软件工程师,有丰富的网络爬虫和数据分析实战经验,目前就职于美国格理集团,经常为网页数据采集项目提供咨询服务,并在美国东北大学和美国欧林工程学院任教。

媒体评论
“这本书很实用,非常适合用来解决实际问题。我就利用书中的工具和示例轻松地将一些重复性工作自动化了,进而将省下来的时间用于处理更有意思的事情。”——Eric VanWyk,美国欧林工程学院工程师

   相关推荐   

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP