Python应用编程丛书:解析Python网络爬虫：核心技术、Scrapy框架、分布式爬虫

图书标准信息

• 作者 黑马程序员
• 出版社 中国铁道出版社
• 出版时间 2018-08
• 版次 1
• ISBN 9787113246785
• 定价 52.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 272页

【内容简介】

网络爬虫是一种按照一定的规则，自动请求万维网网站并提取网络数据的程序或脚本，它可以代替人力进行信息采集，能够自动采集并高效地利用互联网中的数据，在市场的应用需求中占据着重要的位置。

  本书以Windows为主要平台，系统全面地讲解了Python网络爬虫的相关知识。主要内容包括：初识爬虫、爬虫的实现原理和技术、网页请求原理、爬取网页数据、数据解析、并发下载、图像识别与文字处理、存储爬虫数据、初识爬虫框架Scrapy、Scrapy终端与核心组件、自动爬取网页的爬虫 CrawSpider、Scrapy-Redis分布式爬虫。

  本书适合作为高等院校计算机相关专业程序设计课程教材，也可作为Python网络爬虫的培训教材，以及广大编程开发者的爬虫入门级教材。

【作者简介】

      黑马程序员：江苏传智播客教育科技股份有限公司（简称传智播客）是一家专门致力于高素质软件开发人才培养的高科技公司。传智播客致力于为企业优选一流的人才的培训理念，经过多年的教学探索及战略布局，已向着综合型职业教育集团发展。目前，传智播客旗下已涵盖传智播客IT教育培训、黑马程序员训练营及博学谷三大子品牌。“黑马程序员”是传智播客旗下高端IT教育品牌。

【目录】

第1章

初识爬虫 1

1.1 爬虫产生背景 1

1.2 爬虫的概念 2

1.3 爬虫的用途 2

1.4 爬虫的分类 3

1.4.1 通用爬虫和聚焦爬虫 3

1.4.2 累积式爬虫和增量式爬虫 4

1.4.3 表层爬虫和深层爬虫 4

小结5

习题5

第2章

爬虫的实现原理和技术 6

2.1 爬虫实现原理 6

2.1.1 通用爬虫工作原理 6

2.1.2 聚焦爬虫工作原理 8

2.2 爬虫爬取网页的详细流程 9

2.3 通用爬虫中网页的分类 10

2.4 通用爬虫相关网站文件 10

2.4.1 robots.txt文件 11

2.4.2 Sitemap.xml文件 12

2.5 防爬虫应对策略 12

2.6 选择Python做爬虫的原因 14

2.7 案例——使用八爪鱼工具爬取

第一个网页 14

小结21

习题21

第3章

网页请求原理 23

3.1 浏览网页过程 23

3.1.1 统一资源定位符 24

3.1.2 计算机域名系统 25

3.2 HTTP网络请求原理 25

3.2.1 分析浏览器显示完整网页

的过程 26

3.2.2 客户端HTTP请求格式 26

3.2.3 服务端HTTP响应格式 30

3.3 HTTP抓包工具Fiddler 32

3.3.1 Fiddler工作原理 32

3.3.2 Fiddler下载安装 32

3.3.3 Fiddler界面详解 33

3.3.4 Fiddler爬取HTTPS设置 35

3.3.5 使用Fiddler捕获Chrome

的会话 37

小结40

习题40

第4章

爬取网页数据 42

4.1 urllib库概述 42

4.2 快速使用urllib爬取网页 43

4.2.1 快速爬取一个网页 43

4.2.2 分析urlopen()方法 44

4.2.3 使用HTTPResponse对象 45

4.2.4 构造Request对象 46

4.3 使用urllib实现数据传输 47

4.3.1 URL编码转换 47

4.3.2 处理GET请求 48

4.3.3 处理POST请求 49

4.4 添加特定Headers——请求伪装 51

4.5 代理服务器 52

4.5.1 简单的自定义opener 52

4.5.2 设置代理服务器 53

4.6 超时设置 54

4.7 常见的网络异常 55

4.7.1 URLError异常和捕获 55

4.7.2 HttpError异常和捕获 55

4.8 更人性化的requests库 56

4.8.1 requests库概述 56

4.8.2 requests库初体验 56

4.8.3 发送请求 58

4.8.4 返回响应 58

4.9 案例——使用urllib库爬取百度

贴吧 59

小结61

习题61

第5章

数据解析 63

5.1 网页数据和结构 63

5.1.1 网页数据格式 63

5.1.2 网页结构 64

5.2 数据解析技术 64

5.3 正则表达式 65

5.4 XPath与lxml解析库 66

5.4.1 XPath概述 66

5.4.2 XPath语法 67

5.4.3 XPath开发工具 70

5.4.4 lxml库概述 72

5.4.5 lxml库的基本使用 75

5.5 Beautiful Soup 77

5.5.1 Beautiful Soup概述 77

5.5.2 构建BeautifulSoup对象 78

5.5.3 通过操作方法进行解读

搜索 80

5.5.4 通过CSS选择器进行搜索 83

5.6 JSONPath与json模块 85

5.6.1 JSON概述 85

5.6.2 JSON与XML比较 86

5.6.3 json模块介绍 87

5.6.4 json模块基本应用 88

5.6.5 JSONPath简介 90

5.6.6 JSONPath语法对比  90

5.6.7 案例——获取拉勾网城市

列表 92

5.7 案例——解析腾讯社会招聘网站

的职位信息 94

5.7.1 明确爬虫爬取目标 95

5.7.2 分析要解析的数据 95

5.7.3 使用urllib库爬取社招网

数据 96

5.7.4 使用正则、lxml、bs4解析

职位数据 98

5.7.5 将数据保存到文件中 103

小结104

习题104

第6章

并发下载 106

6.1 多线程爬虫流程分析 106

6.2 使用queue模块实现多线程

爬虫 107

6.2.1 queue（队列）模块简介 107

6.2.2 Queue类概述 109

6.3 协程实现并发爬取 110

6.3.1 协程爬虫的流程分析 111

6.3.2 第三方库gevent 111

6.4 案例——三种技术采集和解析

数据对比 112

6.4.1 单线程实现 112

6.4.2 多线程实现 114

6.4.3 协程实现 119

6.4.4 性能分析 122

小结123

习题123

第7章

爬取动态内容 124

7.1 动态网页介绍 124

7.2 selenium和PhantomJS概述 125

7.3 selenium和PhantomJS安装

配置 126

7.4 selenium和PhantomJS的基本

应用 128

7.4.1 入门操作 128

7.4.2 定位UI元素 133

7.4.3 鼠标动作链 135

7.4.4 填充表单 136

7.4.5 弹窗处理 137

7.4.6 页面切换 138

7.4.7 页面前进和后退 138

7.4.8 获取页面Cookies 138

7.4.9 页面等待 138

7.5 案例——模拟豆瓣网站登录 140

小结142

习题142

第8章

图像识别与文字处理 145

8.1 OCR技术概述 145

8.2 Tesseract引擎的下载和安装 147

8.3 pytesseract和PIL库概述 148

8.3.1 pytesseract库概述 149

8.3.2 PIL库概述 149

8.4 处理规范格式的文字 150

8.4.1 读取图像中格式规范的

文字 151

8.4.2 对图片进行阈值过滤和

降噪处理 151

8.4.3 识别图像的中文字符 153

8.5 处理验证码 154

8.5.1 验证码分类 154

8.5.2 简单识别图形验证码 155

8.6 案例——识别图形验证码 156

小结157

习题157

第9章

存储爬虫数据 159

9.1 数据存储概述 159

9.2 MongoDB数据库概述 160

9.2.1 MongoDB的概念 160

9.2.2 Windows平台安装MongoDB数据库 160

9.2.3 比较MongoDB和MySQL的术语 163

9.3 使用PyMongo库存储到

数据库 165

9.3.1 PyMongo的概念 165

9.3.2 PyMongo的基本操作 165

9.4 案例——存储网站的电影信息 169

9.4.1 分析待爬取的网页 169

9.4.2 通过urllib爬取全部页面 169

9.4.3 通过bs4选取数据 171

9.4.4 通过MongoDB存储

电影信息 172

小结173

习题173

第10章

初识爬虫框架Scrapy 175

10.1 常见爬虫框架介绍 175

10.2 Scrapy框架的架构 179

10.3 Scrapy框架的运作流程 180

10.4 安装Scrapy框架 181

10.4.1 Windows 7系统下的

 安装 181

10.4.2 Linux（Ubuntu）系统下的

 安装 184

10.4.3 Mac OS系统下的安装 185

10.5 Scrapy框架的基本操作 186

10.5.1 新建一个Scrapy项目 186

10.5.2 明确爬取目标 187

10.5.3 制作Spiders爬取网页 188

10.5.4 永久性存储数据 193

10.5.5 Scrapy常用命令 193

小结194

习题194

第11章 Scrapy终端与核心组件 196

11.1 Scrapy shell——测试XPath

  表达式 196

11.1.1 启用Scrapy shell 196

11.1.2 使用Scrapy shell 197

11.1.3 Scrapy shell使用示例 198

11.2 Spiders——爬取和提取结构化

  数据 200

11.3 Item Pipeline——后期处理

  数据 201

11.3.1 自定义Item Pipeline 201

11.3.2 完善之前的案例——

 

item写入JSON文件 202

11.4 Downloader Middlewares——

  防止反爬虫 203

11.5 Settings——定制Scrapy

  组件 206

11.6 案例——斗鱼App爬虫 208

11.6.1 使用Fiddler爬取手机

  App的数据 208

11.6.2 分析JSON文件的内容 210

11.6.3 使用Scrapy爬取数据 211

小结214

习题214

第12章

自动爬取网页的爬虫CrawlSpider 216

12.1 初识爬虫类CrawlSpider 216

12.2 CrawlSpider类的工作原理 219

12.3 通过Rule类决定爬取规则 221

12.4 通过LinkExtractor类提取

  链接 222

12.5 案例——使用CrawlSpider爬取

  腾讯社会招聘网站 223

小结228

习题228

第13章 Scrapy-Redis分布式

爬虫 230

13.1 Scrapy-Redis概述 230

13.2 Scrapy-Redis的完整架构 231

13.3 Scrapy-Redis的运作流程 231

13.4 Scrapy-Redis的主要组件 232

13.5 搭建Scrapy-Redis开发环境 233

13.5.1 安装Scrapy-Redis 233

13.5.2 安装和启动Redis

  数据库 234

13.5.3 修改配置文件 redis.conf 239

13.6 分布式的部署 242

13.6.1 分布式策略 242

13.6.2 测试Slave端远程连接

 

Master端 243

13.7 Scrapy-Redis的基本使用 245

13.7.1 创建Scrapy项目 245

13.7.2 明确爬取目标 246

13.7.3 制作Spider爬取网页 247

13.7.4 执行分布式爬虫 249

13.7.5 使用多个管道存储 250

13.7.6 处理Redis数据库中的

  数据 252

13.8 案