logo
分类于: 互联网 人工智能

简介

Python网络爬虫权威指南(第2版)

Python网络爬虫权威指南(第2版) 7.8分

资源最后更新于 2020-07-24 15:47:27

作者:[美] 瑞安 • 米切尔

译者:神烦小宝

出版社:人民邮电出版社

出版日期:2019-01

ISBN:9787115509260

文件格式: pdf

标签: 爬虫 Python 编程 python 计算机 再版 6产品·开发 計算機

简介· · · · · ·

本书采用简洁强大的Python语言,全面介绍网页抓取技术,解答诸多常见问题,是掌握从数据爬取到数据清洗全流程的系统实践指南。书中内容分为两部分。第一部分深入讲解网页抓取的基础知识,重点介绍BeautifulSoup、Scrapy等Python库的应用。第二部分介绍网络爬虫编写相关的主题,以及各种数据抓取工具和应用程序,帮你深入互联网的每个角落,分析原始数据,获取数据背后的故事,轻松解决遇到的各类网页抓取问题。第2版全面更新,新增网络爬虫模型、Scrapy和并行网页抓取相关章节。

- 解析复杂的HTML页面

- 使用Scrapy框架开发爬虫

- 学习存储数据的方法

- 从文档中读取和提取数据

- 清洗格式糟糕的数据

- 自然语言处理

- 通过表单和登录窗口抓取数据

- 抓取JavaScript及利用API抓取数据

- 图像识别与文字处理

- 避免抓取陷...

想要: 点击会收藏到你的 我的收藏,可以在这里查看

已收: 表示已经收藏

Tips: 注册一个用户 可以通过用户中心得到电子书更新的通知哦

目录

前言  xi
第一部分 创建爬虫
第1章 初见网络爬虫  3
1.1 网络连接  3
1.2 BeautifulSoup 简介  5
1.2.1 安装BeautifulSoup  6
1.2.2 运行BeautifulSoup  8
1.2.3 可靠的网络连接以及异常的处理  9
第2章 复杂HTML 解析  13
2.1 不是一直都要用锤子  13
2.2 再端一碗BeautifulSoup  14
2.2.1 BeautifulSoup 的find() 和find_all()  16
2.2.2 其他BeautifulSoup 对象  18
2.2.3 导航树  18
2.3 正则表达式  22
2.4 正则表达式和BeautifulSoup  25
2.5 获取属性  26
2.6 Lambda 表达式  26
第3章 编写网络爬虫  28
3.1 遍历单个域名  28
3.2 抓取整个网站  32
3.3 在互联网上抓取  36
第4章 网络爬虫模型  41
4.1 规划和定义对象  41
4.2 处理不同的网站布局  45
4.3 结构化爬虫  49
4.3.1 通过搜索抓取网站  49
4.3.2 通过链接抓取网站  52
4.3.3 抓取多种类型的页面  54
4.4 关于网络爬虫模型的思考  55
第5章 Scrapy  57
5.1 安装Scrapy  57
5.2 创建一个简易爬虫  59
5.3 带规则的抓取  60
5.4 创建item  64
5.5 输出item  66
5.6 item 管线组件  66
5.7 Scrapy 日志管理  69
5.8 更多资源  70
第6章 存储数据  71
6.1 媒体文件  71
6.2 把数据存储到CSV  74
6.3 MySQL  75
6.3.1 安装MySQL  76
6.3.2 基本命令  78
6.3.3 与Python 整合  81
6.3.4 数据库技术与最佳实践  84
6.3.5 MySQL 里的“六度空间游戏”  86
6.4 Email  88
第二部分 高级网页抓取
第7章 读取文档  93
7.1 文档编码  93
7.2 纯文本  94
7.3 CSV  98
7.4 PDF  100
7.5 微软Word 和.docx  102
第8章 数据清洗  106
8.1 编写代码清洗数据  106
8.2 数据存储后再清洗   111
第9章 自然语言处理  115
9.1 概括数据  116
9.2 马尔可夫模型  119
9.3 自然语言工具包  124
9.3.1 安装与设置  125
9.3.2 用NLTK 做统计分析  126
9.3.3 用NLTK 做词性分析  128
9.4 其他资源  131
第10章 穿越网页表单与登录窗口进行抓取  132
10.1 Python Requests 库  132
10.2 提交一个基本表单  133
10.3 单选按钮、复选框和其他输入  134
10.4 提交文件和图像  136
10.5 处理登录和cookie  136
10.6 其他表单问题  139
第11章 抓取JavaScript  140
11.1 JavaScript 简介  140
11.2 Ajax 和动态HTML  143
11.2.1 在Python 中用Selenium 执行JavaScript  144
11.2.2 Selenium 的其他webdriver  149
11.3 处理重定向  150
11.4 关于JavaScript 的最后提醒  151
第12章 利用API 抓取数据  152
12.1 API 概述  152
12.1.1 HTTP 方法和API  154
12.1.2 更多关于API 响应的介绍  155
12.2 解析JSON 数据  156
12.3 无文档的API  157
12.3.1 查找无文档的API  159
12.3.2 记录未被记录的API  160
12.3.3 自动查找和记录API  160
12.4 API 与其他数据源结合  163
12.5 再说一点API  165
第13章 图像识别与文字处理  167
13.1 OCR 库概述  168
13.1.1 Pillow  168
13.1.2 Tesseract  168
13.1.3 NumPy  170
13.2 处理格式规范的文字  171
13.2.1 自动调整图像  173
13.2.2 从网站图片中抓取文字  176
13.3 读取验证码与训练Tesseract  178
13.4 获取验证码并提交答案  183
第14章 避开抓取陷阱  186
14.1 道德规范  186
14.2 让网络机器人看着像人类用户  187
14.2.1 修改请求头  187
14.2.2 用JavaScript 处理cookie  189
14.2.3 时间就是一切  191
14.3 常见表单安全措施  191
14.3.1 隐含输入字段值  192
14.3.2 避免蜜罐  192
14.4 问题检查表  194
第15章 用爬虫测试网站  196
15.1 测试简介  196
15.2 Python 单元测试  197
15.3 Selenium 单元测试  201
15.4 单元测试与Selenium 单元测试的选择  205
第16章 并行网页抓取  206
16.1 进程与线程  206
16.2 多线程抓取  207
16.2.1 竞争条件与队列  209
16.2.2 threading 模块  212
16.3 多进程抓取  214
16.3.1 多进程抓取  216
16.3.2 进程间通信  217
16.4 多进程抓取的另一种方法  219
第17章 远程抓取  221
17.1 为什么要用远程服务器  221
17.1.1 避免IP 地址被封杀  221
17.1.2 移植性与扩展性  222
17.2 Tor 代理服务器  223
17.3 远程主机  224
17.3.1 从网站主机运行  225
17.3.2 从云主机运行  225
17.4 其他资源  227
第18章 网页抓取的法律与道德约束  228
18.1 商标、版权、专利  228
18.2 侵害动产  230
18.3 计算机欺诈与滥用法  232
18.4 robots.txt 和服务协议  233
18.5 3 个网络爬虫  236
18.5.1 eBay 起诉Bidder’s Edge 侵害其动产  236
18.5.2 美国政府起诉Auernheimer 与《计算机欺诈与滥用法》  237
18.5.3 Field 起诉Google:版权和robots.txt  239
18.6 勇往直前  239
关于作者  241
关于封面  241