Python 3網(wǎng)絡爬蟲開發(fā)實戰(zhàn)

第1章　開發(fā)環(huán)境配置　　1
1.1　Python 3的安裝　　1
1.1.1　Windows下的安裝　　1
1.1.2　Linux下的安裝　　6
1.1.3　Mac下的安裝　　8
1.2　請求庫的安裝　　10
1.2.1　requests的安裝　　10
1.2.2　Selenium的安裝　　11
1.2.3　ChromeDriver的安裝　　12
1.2.4　GeckoDriver的安裝　　15
1.2.5　PhantomJS的安裝　　17
1.2.6　aiohttp的安裝　　18
1.3　解析庫的安裝　　19
1.3.1　lxml的安裝　　19
1.3.2　Beautiful Soup的安裝　　21
1.3.3　pyquery的安裝　　22
1.3.4　tesserocr的安裝　　22
1.4　數(shù)據(jù)庫的安裝　　26
1.4.1　MySQL的安裝　　27
1.4.2　MongoDB的安裝　　29
1.4.3　Redis的安裝　　36
1.5　存儲庫的安裝　　39
1.5.1　PyMySQL的安裝　　39
1.5.2　PyMongo的安裝　　39
1.5.3　redis-py的安裝　　40
1.5.4　RedisDump的安裝　　40
1.6　Web庫的安裝　　41
1.6.1　Flask的安裝　　41
1.6.2　Tornado的安裝　　42
1.7　App爬取相關庫的安裝　　43
1.7.1　Charles的安裝　　44
1.7.2　mitmproxy的安裝　　50
1.7.3　Appium的安裝　　55
1.8　爬蟲框架的安裝　　59
1.8.1　pyspider的安裝　　59
1.8.2　Scrapy的安裝　　61
1.8.3　Scrapy-Splash的安裝　　65
1.8.4　Scrapy-Redis的安裝　　66
1.9　部署相關庫的安裝　　67
1.9.1　Docker的安裝　　67
1.9.2　Scrapyd的安裝　　71
1.9.3　Scrapyd-Client的安裝　　74
1.9.4　Scrapyd API的安裝　　75
1.9.5　Scrapyrt的安裝　　75
1.9.6　Gerapy的安裝　　76
第2章　爬蟲基礎　　77
2.1　HTTP基本原理　　77
2.1.1　URI和URL　　77
2.1.2　超文本　　78
2.1.3　HTTP和HTTPS　　78
2.1.4　HTTP請求過程　　80
2.1.5　請求　　82
2.1.6　響應　　84
2.2　網(wǎng)頁基礎　　87
2.2.1　網(wǎng)頁的組成　　87
2.2.2　網(wǎng)頁的結(jié)構(gòu)　　88
2.2.3　節(jié)點樹及節(jié)點間的關系　　90
2.2.4　選擇器　　91
2.3　爬蟲的基本原理　　93
2.3.1　爬蟲概述　　93
2.3.2　能抓怎樣的數(shù)據(jù)　　94
2.3.3　JavaScript渲染頁面　　94
2.4　會話和Cookies　　95
2.4.1　靜態(tài)網(wǎng)頁和動態(tài)網(wǎng)頁　　95
2.4.2　無狀態(tài)HTTP　　96
2.4.3　常見誤區(qū)　　98
2.5　代理的基本原理　　99
2.5.1　基本原理　　99
2.5.2　代理的作用　　99
2.5.3　爬蟲代理　　100
2.5.4　代理分類　　100
2.5.5　常見代理設置　　101
第3章　基本庫的使用　　102
3.1　使用urllib　　102
3.1.1　發(fā)送請求　　102
3.1.2　處理異常　　112
3.1.3　解析鏈接　　114
3.1.4　分析Robots協(xié)議　　119
3.2　使用requests　　122
3.2.1　基本用法　　122
3.2.2　高級用法　　130
3.3　正則表達式　　139
3.4　抓取貓眼電影排行　　150
第4章　解析庫的使用　　158
4.1　使用XPath　　158
4.2　使用Beautiful Soup　　168
4.3　使用pyquery　　184
第5章　數(shù)據(jù)存儲　　197
5.1　文件存儲　　197
5.1.1　TXT文本存儲　　197
5.1.2　JSON文件存儲　　199
5.1.3　CSV文件存儲　　203
5.2　關系型數(shù)據(jù)庫存儲　　207
5.2.1　MySQL的存儲　　207
5.3　非關系型數(shù)據(jù)庫存儲　　213
5.3.1　MongoDB存儲　　214
5.3.2　Redis存儲　　221
第6章　Ajax數(shù)據(jù)爬取　　232
6.1　什么是Ajax　　232
6.2　Ajax分析方法　　234
6.3　Ajax結(jié)果提取　　238
6.4　分析Ajax爬取今日頭條街拍美圖　　242
第7章　動態(tài)渲染頁面爬取　　249
7.1　Selenium的使用　　249
7.2　Splash的使用　　262
7.3　Splash負載均衡配置　　286
7.4　使用Selenium爬取淘寶商品　　289
第8章　驗證碼的識別　　298
8.1　圖形驗證碼的識別　　298
8.2　極驗滑動驗證碼的識別　　301
8.3　點觸驗證碼的識別　　311
8.4　微博宮格驗證碼的識別　　318
第9章　代理的使用　　326
9.1　代理的設置　　326
9.2　代理池的維護　　333
9.3　付費代理的使用　　347
9.4　ADSL撥號代理　　351
9.5　使用代理爬取微信公眾號文章　　364
第10章　模擬登錄　　379
10.1　模擬登錄并爬取GitHub　　379
10.2　Cookies池的搭建　　385
第11章　App的爬取　　398
11.1　Charles的使用　　398
11.2　mitmproxy的使用　　405
11.3　mitmdump爬取“得到”App電子書
信息　　417
11.4　Appium的基本使用　　423
11.5　Appium爬取微信朋友圈　　433
11.6　Appium+mitmdump爬取京東商品　　437
第12章　pyspider框架的使用　　443
12.1　pyspider框架介紹　　443
12.2　pyspider的基本使用　　445
12.3　pyspider用法詳解　　459
第13章　Scrapy框架的使用　　468
13.1　Scrapy框架介紹　　468
13.2　Scrapy入門　　470
13.3　Selector的用法　　480
13.4　Spider的用法　　486
13.5　Downloader Middleware的用法　　487
13.6　Spider Middleware的用法　　494
13.7　Item Pipeline的用法　　496
13.8　Scrapy對接Selenium　　506
13.9　Scrapy對接Splash　　511
13.10　Scrapy通用爬蟲　　516
13.11　Scrapyrt的使用　　533
13.12　Scrapy對接Docker　　536
13.13　Scrapy爬取新浪微博　　541
第14章　分布式爬蟲　　555
14.1　分布式爬蟲原理　　555
14.2　Scrapy-Redis源碼解析　　558
14.3　Scrapy分布式實現(xiàn)　　564
14.4　Bloom Filter的對接　　569
第15章　分布式爬蟲的部署　　577
15.1　Scrapyd分布式部署　　577
15.2　Scrapyd-Client的使用　　582
15.3　Scrapyd對接Docker　　583
15.4　Scrapyd批量部署　　586
15.5　Gerapy分布式管理　　590