Python3网络爬虫实战

图书标准信息

• 作者 胡松涛
• 出版社 清华大学出版社
• 出版时间 2020-08
• 版次 1
• ISBN 9787302557340
• 定价 79.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 400页
• 字数 640千字

【内容简介】

本书分为8章，内容包括Python的开发环境、爬虫的基础原理和概念、数据解析与存贮、简单爬虫的使用、PyQuery模块、Scrapy框架、Beautiful Soup框架开发出不同的网络爬虫。用实例显示出不同框架的优缺点，供读者学习选择。

【作者简介】

胡松涛，高级工程师，参与多个Linux开源项目，github知名代码分享者，活跃于国内著名的多个开源论坛。

【目录】

第1章  Python环境配置  1

1.1  Python简介  1

1.1.1  Python的历史由来  1

1.1.2  Python的现状  2

1.1.3  Python的应用  2

1.2  Python 3.8.0开发环境配置  4

1.2.1  在Windows下安装Python  4

1.2.2  在Windows下安装配置pip  8

1.2.3  在Linux下安装Python  9

1.2.4  在Linux下安装配置pip  11

1.2.5  永远的hello world  15

1.3  本章小结  19

第2章  爬虫基础快速入门  20

2.1  HTTP基本原理  20

2.1.1  URI和URL  20

2.1.2  超文本  21

2.1.3  HTTP和HTTPS  21

2.1.4  HTTP请求过程  22

2.1.5  请求  24

2.1.6  响应  26

2.2  网页基础  27

2.2.1  网页的组成  27

2.2.2  网页的结构  28

2.2.3  节点树及节点间的关系  30

2.2.4  选择器  36

2.3  爬虫的基本原理  37

2.3.1  爬虫概述  37

2.3.2  能抓取什么样的数据  37

2.3.3  JavaScript渲染页面  38

2.4  会话和Cookies  39

2.4.1  静态网页和动态网页  40

2.4.2  无状态HTTP  41

2.4.3  常见误区  42

2.5  代理的基本原理  42

2.5.1  基本原理  42

2.5.2  代理的作用  43

2.5.3  代理分类  43

2.5.4  常见代理设置  44

2.6  本章小结  44

第3章  数据存储与解析  45

3.1  文件存储  45

3.1.1  TXT文件存储  45

3.1.2  JSON文件存储  49

3.1.3  CSV文件存储  52

3.2  关系型数据库存储  57

3.2.1  连接数据库  59

3.2.2  创建表  59

3.2.3  插入数据  60

3.2.4  浏览数据  61

3.2.5  修改数据  62

3.2.6  删除数据  63

3.3  非关系型数据库存储  64

3.3.1  安装数据库  64

3.3.2  MongoDB概念解析  68

3.3.3  创建数据库  68

3.3.4  创建集合  69

3.3.5  插入文档  69

3.3.6  查询集合数据  71

3.3.7  修改记录  73

3.3.8  数据排序  74

3.3.9  删除文档  75

3.4  lxml模块解析数据  76

3.4.1  安装模块  76

3.4.2  XPath常用规则  76

3.4.3  读取文件进行解析  79

3.5  本章小结  81

第4章  Python爬虫常用模块  82

4.1  Python网络爬虫技术核心  82

4.1.1  Python网络爬虫实现原理  82

4.1.2  爬行策略  83

4.1.3  身份识别  83

4.2  Python 3标准库之urllib.request模块  84

4.2.1  urllib.request请求返回网页  84

4.2.2  urllib.request使用代理访问网页  86

4.2.3  urllib.request修改header  89

4.3  Python 3标准库之logging模块  93

4.3.1  简述logging模块  93

4.3.2  自定义模块myLog  97

4.4  re模块（正则表达式）  100

4.4.1  re模块（正则表达式的操作）  100

4.4.2  re模块实战  102

4.5  其他有用模块  103

4.5.1  sys模块（系统参数获取）  103

4.5.2  time模块（获取时间信息）  105

4.6  本章小结  108

第5章  Scrapy爬虫框架  109

5.1  安装Scrapy  109

5.1.1  在Windows下安装Scrapy环境  109

5.1.2  在Linux下安装Scrapy  110

5.1.3  vim编辑器  111

5.2  Scrapy选择器XPath和CSS  112

5.2.1  XPath选择器  112

5.2.2  CSS选择器  115

5.2.3  其他选择器  116

5.3  Scrapy爬虫实战一：今日影视  117

5.3.1  创建Scrapy项目  117

5.3.2  Scrapy文件介绍  119

5.3.3  Scrapy爬虫的编写  121

5.4  Scrapy爬虫实战二：天气预报  128

5.4.1  项目准备  129

5.4.2  创建并编辑Scrapy爬虫  130

5.4.3  数据存储到JSON  137

5.4.4  数据存储到MySQL  139

5.5  Scrapy爬虫实战三：获取代理  145

5.5.1  项目准备  145

5.5.2  创建编辑Scrapy爬虫  146

5.5.3  多个Spider  152

5.5.4  处理Spider数据  156

5.6  Scrapy爬虫实战四：糗事百科  158

5.6.1  目标分析  158

5.6.2  创建编辑Scrapy爬虫  159

5.6.3  Scrapy项目中间件——添加headers  160

5.6.4  Scrapy项目中间件——添加Proxy  163

5.7  Scrapy爬虫实战五：爬虫攻防  166

5.7.1  创建一般爬虫  166

5.7.2  封锁间隔时间破解  169

5.7.3  封锁Cookies破解  170

5.7.4  封锁User-Agent破解  170

5.7.5  封锁IP破解  176

5.8  本章小结  179

第6章  BeautifulSoup爬虫  180

6.1  安装BeautifulSoup环境  180

6.1.1  在Windows下安装BeautifulSoup  180

6.1.2  在Linux下安装BeautifulSoup  181

6.1.3  最强大的IDE——Eclipse  181

6.2  BeautifulSoup解析器  190

6.2.1  bs4解析器选择  190

6.2.2  lxml解析器的安装  191

6.2.3  使用bs4过滤器  192

6.3  bs4爬虫实战一：获取百度贴吧内容  197

6.3.1  目标分析  197

6.3.2  项目实施  199

6.3.3  代码分析  206

6.3.4  Eclipse调试  207

6.4  bs4爬虫实战二：获取双色球中奖信息  208

6.4.1  目标分析  209

6.4.2  项目实施  211

6.4.3  保存结果到Excel  214

6.4.4  代码分析  219

6.5  bs4爬虫实战三：获取起点小说信息  220

6.5.1  目标分析  220

6.5.2  项目实施  222

6.5.3  保存结果到MySQL  224

6.5.4  代码分析  228

6.6  bs4爬虫实战四：获取电影信息  229

6.6.1  目标分析  229

6.6.2  项目实施  230

6.6.3  bs4反爬虫  233

6.6.4  代码分析  235

6.7  bs4爬虫实战五：获取音悦台榜单  236

6.7.1  目标分析  236

6.7.2  项目实施  237

6.7.3  代码分析  242

6.8  本章小结  243

第7章  PyQuery模块  244

7.1  PyQuery模块  244

7.1.1  什么是PyQuery模块  244

7.1.2  PyQuery与其他工具  244

7.1.3  PyQuery模块的安装  245

7.2  PyQuery模块的用法  247

7.2.1  使用字符串初始化  247

7.2.2  使用文件初始化  248

7.2.3  使用URL初始化  249

7.3  CSS筛选器的使用  250

7.3.1  基本CSS选择器  250

7.3.2  查找节点  251

7.3.3  遍历结果  255

7.3.4  获取文本信息  256

7.4  PyQuery爬虫实战一：爬取百度风云榜  258

7.5  PyQuery爬虫实战二：爬取微博热搜  259

7.6  本章小结  260

第8章  Selenium模拟浏览器  261

8.1  安装Selenium模块  261

8.1.1  在Windows下安装Selenium模块  261

8.1.2  在Linux下安装Selenium模块  262

8.2  浏览器选择  262

8.2.1  Webdriver支持列表  262

8.2.2  在Windows下安装PhantomJS  263

8.2.3  在Linux下安装PhantomJS  265

8.3  Selenium&PhantomJS抓取数据  266

8.3.1  获取百度搜索结果  267

8.3.2  获取搜索结果  269

8.3.3  获取有效数据位置  271

8.3.4  从位置中获取有效数据  273

8.4  Selenium&PhantomJS实战一：获取代理  274

8.4.1  准备环境  274

8.4.2  爬虫代码  276

8.4.3  代码解释  278

8.5  Selenium&PhantomJS实战二：漫画爬虫  279

8.5.1  准备环境  279

8.5.2  爬虫代码  281

8.5.3  代码解释  283

8.6  本章小结  284

 

第9章  PySpider框架的使用  285

9.1  安装PySpider  285

9.1.1  安装PySpider  285

9.1.2  使用PyQuery测试  291

9.2  PySpider实战一：优酷影视排行  293

9.2.1  创建项目  293

9.2.2  爬虫编写一：使用PySpider PyQuery实现爬取  295

9.2.3  爬虫编写二：使用PySpider  BeautifulSoup实现爬取  301

9.3  PySpider实战二：电影下载  304

9.3.1  项目分析  304

9.3.2  爬虫编写  306

9.3.3  爬虫运行、调试  312

9.3.4  删除项目  317

9.4  PySpider实战三：音悦台MusicTop  320

9.4.1  项目分析  320

9.4.2  爬虫编写  321

9.5  本章小结  325

第10章  图形验证识别技术  326

10.1  图像识别开源库：Tesseract  326

10.1.1  安装Tesseract  326

10.1.2  设置环境变量  329

10.1.3  测试一：使用tesseract命令识别图片中的字符  330

10.1.4  测试二：使用pytesseract模块识别图片中的英文字符  331

10.1.5  测试三：使用pytesseract模块识别图片中的中文文字  332

10.2  对网络验证码的识别  333

10.2.1  图形验证实战一：读取网络验证码并识别  333

10.2.2  图形验证实战二：对验证码进行转化  334

10.3  实战三：破解滑块验证码  335

10.3.1  所需工具  335

10.3.2  解决思路  335

10.3.3  编写代码  336

10.4  本章小结  341

第11章  爬取App  342

11.1  Charles的使用  342

11.1.1  下载安装Charles  342

11.1.2  界面介绍  343

11.1.3  Proxy菜单  345

11.1.4  使用Charles进行PC端抓包  350

11.1.5  使用Charles进行移动端抓包  350

11.2  Mitmproxy的使用  351

11.2.1  安装Mitmproxy  351

11.2.2  启动Mitmproxy  352

11.2.3  编写自定义脚本  354

11.2.4  Mitmproxy事件  355

11.2.5  实战：演示Mitmproxy  358

11.3  实战：使用Mitmdump爬取App  362

11.3.1  事先准备  363

11.3.2  带脚本抓取  364

11.3.3  分析结果并保存  365

11.4  Appium的基本使用  366

11.4.1  安装Appium—直接下载安装包AppiumDesktop  366

11.4.2  安装Appium—通过Node.js  368

11.4.3  Android 开发环境配置  368

11.4.4  iOS 开发环境配置  368

11.4.5  使用Appium  369

11.4.6  操作App  371

11.5  本章小结  374

第12章  爬虫与反爬虫  375

12.1  防止爬虫IP被禁  375

12.1.1  反爬虫在行动  375

12.1.2  爬虫的应对  378

12.2  在爬虫中使用Cookies  382

12.2.1  通过Cookies反爬虫  382

12.2.2  带Cookies的爬虫  383

12.2.3  动态加载反爬虫  386

12.2.4  使用浏览器获取数据  386

12.3  本章小结  386