Python網(wǎng)絡(luò)爬蟲技術(shù)

第 1章　Python爬蟲環(huán)境與爬蟲簡介　1
任務(wù)1．1　認(rèn)識爬蟲　1
1．1．1　爬蟲的概念　1
1．1．2　爬蟲的原理　2
1．1．3　爬蟲的合法性與robot．txt協(xié)議　4
任務(wù)1．2　認(rèn)識反爬蟲　4
1．2．1　網(wǎng)站反爬蟲的目的與手段　4
1．2．2　爬取策略制定　5
任務(wù)1．3　配置Python爬蟲環(huán)境　6
1．3．1　Python爬蟲相關(guān)庫介紹與配置　7
1．3．2　配置MySQL數(shù)據(jù)庫　7
1．3．3　配置MongoDB數(shù)據(jù)庫　16
小結(jié)　20
實(shí)訓(xùn)　Python爬蟲環(huán)境配置　21
課后習(xí)題　21
第 2章　網(wǎng)頁前端基礎(chǔ)　23
任務(wù)2．1　認(rèn)識Python網(wǎng)絡(luò)編程　23
2．1．1　了解Python網(wǎng)絡(luò)編程Socket庫　24
2．1．2　使用Socket庫進(jìn)行TCP編程　26
2．1．3　使用Socket庫進(jìn)行UDP編程　28
任務(wù)2．2　認(rèn)識HTTP　29
2．2．1　熟悉HTTP請求方法與過程　30
2．2．2　熟悉常見HTTP狀態(tài)碼　32
2．2．3　熟悉HTTP頭部信息　33
2．2．4　熟悉Cookie　39
小結(jié)　41
實(shí)訓(xùn)　使用Socket庫連接百度首頁　41
課后習(xí)題　42
第3章　簡單靜態(tài)網(wǎng)頁爬取　43
任務(wù)3．1　實(shí)現(xiàn)HTTP請求　43
3．1．1　使用urllib 3庫實(shí)現(xiàn)　44
3．1．2　使用Requests庫實(shí)現(xiàn)　47
任務(wù)3．2　解析網(wǎng)頁　52
3．2．1　使用Chrome開發(fā)者工具查看網(wǎng)頁　52
3．2．2　使用正則表達(dá)式解析網(wǎng)頁　58
3．2．3　使用Xpath解析網(wǎng)頁　61
3．2．4　使用Beautiful Soup庫解析網(wǎng)頁　66
任務(wù)3．3　數(shù)據(jù)存儲　74
3．3．1　將數(shù)據(jù)存儲為JSON文件　74
3．3．2　將數(shù)據(jù)存儲到MySQL數(shù)據(jù)庫　75
小結(jié)　78
實(shí)訓(xùn)　79
實(shí)訓(xùn)1　生成GET請求并獲取指定網(wǎng)頁內(nèi)容　79
實(shí)訓(xùn)2　搜索目標(biāo)節(jié)點(diǎn)并提取文本內(nèi)容　79
實(shí)訓(xùn)3　在數(shù)據(jù)庫中建立新表并導(dǎo)入數(shù)據(jù)　80
課后習(xí)題　80
第4章　常規(guī)動態(tài)網(wǎng)頁爬取　82
任務(wù)4．1　逆向分析爬取動態(tài)網(wǎng)頁　82
4．1．1　了解靜態(tài)網(wǎng)頁和動態(tài)網(wǎng)頁的區(qū)別　82
4．1．2　逆向分析爬取動態(tài)網(wǎng)頁　85
任務(wù)4．2　使用Selenium庫爬取動態(tài)網(wǎng)頁　88
4．2．1　安裝Selenium庫及下載瀏覽器補(bǔ)丁　88
4．2．2　打開瀏覽對象并訪問頁面　89
4．2．3　頁面等待　90
4．2．4　頁面操作　91
4．2．5　元素選取　93
4．2．6　預(yù)期條件　96
任務(wù)4．3　存儲數(shù)據(jù)至MongoDB數(shù)據(jù)庫　98
4．3．1　了解MongoDB數(shù)據(jù)庫和MySQL數(shù)據(jù)庫的區(qū)別　99
4．3．2　將數(shù)據(jù)存儲到MongoDB數(shù)據(jù)庫　100
小結(jié)　103
實(shí)訓(xùn)　103
實(shí)訓(xùn)1　爬取網(wǎng)頁“http：//www．ptpress． com．cn”的推薦圖書信息　103
實(shí)訓(xùn)2　爬取某網(wǎng)頁的Java圖書信息　104
實(shí)訓(xùn)3　將數(shù)據(jù)存儲到MongoDB數(shù)據(jù)庫中　104
課后習(xí)題　104
第5章　模擬登錄　106
任務(wù)5．1　使用表單登錄方法實(shí)現(xiàn)模擬登錄　106
5．1．1　查找提交入口　106
5．1．2　查找并獲取需要提交的表單數(shù)據(jù)　108
5．1．3　使用POST請求方法登錄　112
任務(wù)5．2　使用Cookie登錄方法實(shí)現(xiàn)模擬登錄　114
5．2．1　使用瀏覽器Cookie登錄　115
5．2．2　基于表單登錄的Cookie登錄　117
小結(jié)　119
實(shí)訓(xùn)　119
實(shí)訓(xùn)1　使用表單登錄方法模擬登錄數(shù)睿思論壇　119
實(shí)訓(xùn)2　使用瀏覽器Cookie模擬登錄數(shù)睿思論壇　120
實(shí)訓(xùn)3　基于表單登錄后的Cookie模擬登錄數(shù)睿思論壇　120
課后習(xí)題　120
第6章　終端協(xié)議分析　122
任務(wù)6．1　分析PC客戶端抓包　122
6．1．1　了解HTTP Analyzer工具　122
6．1．2　爬取千千音樂PC客戶端數(shù)據(jù)　125
任務(wù)6．2　分析App抓包　126
6．2．1　了解Fiddler工具　127
6．2．2　分析人民日報(bào)App　130
小結(jié)　132
實(shí)訓(xùn)　133
實(shí)訓(xùn)1　抓取千千音樂PC客戶端的推薦歌曲信息　133
實(shí)訓(xùn)2　爬取人民日報(bào)App的旅游模塊信息　134
課后習(xí)題　134
第7章　Scrapy爬蟲　135
任務(wù)7．1　認(rèn)識Scarpy　135
7．1．1　了解Scrapy爬蟲的框架　135
7．1．2　熟悉Scrapy的常用命令　137
任務(wù)7．2　通過Scrapy爬取文本信息　138
7．2．1　創(chuàng)建Scrapy爬蟲項(xiàng)目　138
7．2．2　修改items/pipelines腳本　140
7．2．3　編寫spider腳本　143
7．2．4　修改settings腳本　148
任務(wù)7．3　定制中間件　152
7．3．1　定制下載器中間件　152
7．3．2　定制Spider中間件　156
小結(jié)　157
實(shí)訓(xùn)　157
實(shí)訓(xùn)1　爬取“http：//www．tipdm．org”的所有新聞動態(tài)　157
實(shí)訓(xùn)2　定制BdRaceNews爬蟲項(xiàng)目的中間件　158
課后習(xí)題　158
附錄A　160
附錄B　163
參考文獻(xiàn)　166