Python网络爬虫基础教程

第 1章 认识网络爬虫　001
1．1 什么是网络爬虫　001
1．2 网络爬虫的应用场景　002
1．3 网络爬虫合法性探究　003
1．3．1 Robots协议　003
1．3．2 防爬虫应对策略　005
1．4 网络爬虫的工作原理和流程　006
1．4．1 网络爬虫的工作原理　006
1．4．2 网络爬虫抓取网页的流程　008
1．5 网络爬虫实现技术探究　009
1．5．1 网络爬虫的实现技术　009
1．5．2 Python实现网络爬虫的流程　010
1．6 本章小结　011
1．7 习题　011
第 2章 网页请求原理　013
2．1 浏览器加载网页的过程　013
2．2 HTTP基础　014
2．2．1 URL简介　014
2．2．2 HTTP和HTTPS　015
2．2．3 HTTP请求格式　016
2．2．4 HTTP响应格式　017
2．3 网页基础　019
2．3．1 网页开发技术　019
2．3．2 网页的结构　021
2．3．3 网页的分类　022
2．3．4 网页数据的格式　024
2．4 HTTP抓包工具——Fiddler　026
2．4．1 Fiddler的工作原理　026
2．4．2 Fiddler的下载与安装　027
2．4．3 Fiddler界面详解　029
2．4．4 Fiddler捕获HTTPS页面的设置　032
2．4．5 Fiddler的基本使用　039
2．5 本章小结　041
2．6 习题　041
第3章 抓取静态网页数据　043
3．1 抓取静态网页的技术　043
3．2 发送基本请求　044
3．2．1 发送GET请求　044
3．2．2 发送POST请求　046
3．2．3 处理响应　047
3．3 处理复杂请求　049
3．3．1 定制请求头　049
3．3．2 验证Cookie　051
3．3．3 保持会话　052
3．3．4 SSL证书验证　053
3．4 设置代理服务器　054
3．4．1 代理服务器简介　054
3．4．2 设置代理服务器　055
3．4．3 检测代理IP的有效性　056
3．5 处理异常　057
3．6 实践项目：抓取黑马程序员论坛的数据　059
【项目目标】　059
【项目分析】　060
【项目实现】　061
3．7 本章小结　063
3．8 习题　063
第4章 解析网页数据　065
4．1 解析网页数据的技术　065
4．2 正则表达式与re模块　066
4．2．1 正则表达式的语法　066
4．2．2 re模块的使用　068
4．3 XPath与lxml库　069
4．3．1 XPath简介　069
4．3．2 XPath语法　070
4．3．3 XPath开发工具　073
4．3．4 lxml库简介　075
4．4 Beautiful Soup库　077
4．4．1 Beautiful Soup简介　077
4．4．2 创建BeautifulSoup类的对象　078
4．4．3 通过查找方法选取节点　080
4．4．4 通过CSS选择器选取节点　081
4．5 JSONPath与jsonpath模块　083
4．5．1 JSONPath语法　083
4．5．2 jsonpath模块的使用　085
4．6 实践项目：采集黑马程序员论坛的帖子　088
【项目目标】　088
【项目分析】　089
【项目实现】　090
4．7 本章小结　093
4．8 习题　093
第5章 抓取动态网页数据　095
5．1 抓取动态网页的技术　095
5．2 Selenium和WebDriver的安装与配置　096
5．3 Selenium的基本使用　099
5．3．1 WebDriver类的常用属性和方法　100
5．3．2 定位元素　102
5．3．3 鼠标操作　105
5．3．4 下拉列表框操作　107
5．3．5 弹出框处理　108
5．3．6 页面切换　110
5．3．7 页面等待　111
5．4 实践项目：采集集信达平台的短信服务日志信息　114
【项目目标】　114
【项目分析】　116
【项目实现】　119
5．5 本章小结　122
5．6 习题　123
第6章 提升网络爬虫速度　125
6．1 网络爬虫速度提升方案　125
6．2 多线程爬虫　126
6．2．1 多线程爬虫流程分析　126
6．2．2 多线程爬虫实现技术　127
6．2．3 多线程爬虫基本示例　130
6．2．4 多线程爬虫性能分析　133
6．3 协程爬虫　134
6．3．1 协程爬虫流程分析　134
6．3．2 协程爬虫实现技术　135
6．3．3 协程爬虫基本示例　137
6．3．4 协程爬虫性能分析　138
6．4 实践项目：采集黑马头条的评论列表　139
【项目目标】　139
【项目分析】　140
【项目实现】　141
6．5 本章小结　144
6．6 习题　144
第7章 存储数据　146
7．1 数据存储的方式　146
7．2 存储至MongoDB数据库　147
7．2．1 下载与安装MongoDB　147
7．2．2 使用Python操作MongoDB　151
7．3 存储至Redis数据库　154
7．3．1 下载与安装Redis　154
7．3．2 使用Python操作Redis　157
7．3．3 Redis桌面管理工具　159
7．4 实践项目：采集小兔鲜儿网的商品信息　162
【项目目标】　162
【项目分析】　164
【项目实现】　167
7．5 本章小结　170
7．6 习题　170
第8章 验证码识别　172
8．1 验证码识别　172
8．1．1 字符验证码的识别　172
8．1．2 滑动拼图验证码的识别　181
8．1．3 点选验证码的识别　181
8．2 实践项目：登录黑马头条后台管理系统　188
【项目目标】　188
【项目分析】　189
【项目实现】　191
8．3 本章小结　197
8．4 习题　197
第9章 初识网络爬虫框架Scrapy　199
9．1 Scrapy框架简介　199
9．2 Scrapy框架架构　200
9．3 Scrapy框架运作流程　201
9．4 Scrapy框架安装　203
9．5 Scrapy框架基本操作　205
9．5．1 新建Scrapy项目　205
9．5．2 明确采集目标　206
9．5．3 制作爬虫　207
9．5．4 永久存储数据　212
9．6 实践项目：采集黑马程序员视频库的视频信息　213
【项目目标】　213
【项目分析】　213
【项目实现】　214
9．7 本章小结　216
9．8 习题　216
第 10章 Scrapy核心组件与CrawlSpider类　219
10．1 Spiders组件　219
10．2 Item Pipeline组件　220
10．3 Downloader Middlewares组件　222
10．3．1 内置下载中间件　223
10．3．2 自定义下载中间件　223
10．3．3 激活下载中间件　225
10．4 Settings组件　225
10．5 CrawlSpider类　227
10．5．1 CrawlSpider类简介　227
10．5．2 CrawlSpider类的工作原理　229
10．5．3 通过Rule类决定抓取规则　230
10．5．4 通过LinkExtractor类提取链接　231
10．6 实践项目：采集畅购商城的华为手表信息　232
【项目目标】　233
【项目分析】　233
【项目实现】　234
10．7 本章小结　236
10．8 习题　236
第 11章 分布式网络爬虫Scrapy-Redis　238
11．1 分布式网络爬虫简介　238
11．2 Scrapy-Redis架构　240
11．3 Scrapy-Redis运作流程　242
11．4 Scrapy-Redis开发准备　242
11．4．1 安装Scrapy-Redis　242
11．4．2 修改配置文件　243
11．4．3 测试远程连接　244
11．5 Scrapy-Redis的基本操作　246
11．5．1 新建Scrapy-Redis项目　246
11．5．2 明确采集目标　247
11．5．3 制作爬虫　248
11．5．4 运行爬虫　249
11．5．5 使用管道存储数据　250
11．6 实践项目：使用RedisCrawlSpider采集畅购商城的华为手表信息　252
【项目目标】　252
【项目分析】　252
【项目实现】　252
11．7 本章小结　257
11．8 习题　257