用Python写网络爬虫 PDF

GeekCat

内容简介
《用Python写网络爬虫》讲解了如何使用Python来编写网络爬虫程序，内容包括网络爬虫简介，从页面中抓取数据的三种方法，提取缓存中的数据，使用多个线程和进程来进行并发抓取，如何抓取动态页面中的内容，与表单进行交互，处理页面中的验证码问题，以及使用Scarpy和Portia来进行数据抓取，使用本书介绍的数据抓取技术对几个真实的网站进行了抓取，旨在帮助读者活学活用书中介绍的技术。
《用Python写网络爬虫》适合有一定Python编程经验，而且对爬虫技术感兴趣的读者阅读。


目录
第1章 网络爬虫简介        1
1．1　网络爬虫何时有用　1
1．2　网络爬虫是否合法　2
1．3　背景调研　3
1．3．1　检查robots．txt　3
1．3．2　检查网站地图　4
1．3．3　估算网站大小　5
1．3．4　识别网站所用技术　7
1．3．5　寻找网站所有者　7
1．4　编写第一个网络爬虫　8
1．4．1　下载网页　9
1．4．2　网站地图爬虫　12
1．4．3　ID遍历爬虫　13
1．4．4　链接爬虫　15
1．5　本章小结　22

第2章　数据抓取　23
2．1　分析网页　23
2．2　三种网页抓取方法　26
2．2．1　正则表达式　26
2．2．2　Beautiful Soup　28
2．2．3　Lxml　30
2．2．4　性能对比　32
2．2．5　结论　35
2．2．6　为链接爬虫添加抓取回调　35
2．3　本章小结　38

第3章　下载缓存　39
3．1　为链接爬虫添加缓存支持　39
3．2　磁盘缓存　42
3．2．1　实现　44
3．2．2　缓存测试　46
3．2．3　节省磁盘空间　46
3．2．4　清理过期数据　47
3．2．5　缺点　48
3．3　数据库缓存　49
3．3．1　NoSQL是什么　50
3．3．2　安装MongoDB　50
3．3．3　MongoDB概述　50
3．3．4　MongoDB缓存实现　52
3．3．5　压缩　54
3．3．6　缓存测试　54
3．4　本章小结　55

第4章　并发下载　57
4．1　100万个网页　57
4．2　串行爬虫　60
4．3　多线程爬虫　60
4．3．1　线程和进程如何工作　61
4．3．2　实现　61
4．3．3　多进程爬虫　63
4．4　性能　67
4．5　本章小结　68

第5章　动态内容　69
5．1　动态网页示例　69
5．2　对动态网页进行逆向工程　72
5．3　渲染动态网页　77
5．3．1　PyQt还是PySide　78
5．3．2　执行JavaScript　78
5．3．3　使用WebKit与网站交互　80
5．3．4　Selenium　85
5．4　本章小结　88

第6章　表单交互　89
6．1　登录表单　90
6．2　支持内容更新的登录脚本扩展　97
6．3　使用Mechanize模块实现自动化表单处理　100
6．4　本章小结　102

第7章　验证码处理　103
7．1　注册账号　103
7．2　光学字符识别　106
7．3　处理复杂验证码　111
7．3．1　使用验证码处理服务　112
7．3．2　9kw入门　112
7．3．3　与注册功能集成　119
7．4　本章小结　120

第8章　Scrapy　121
8．1　安装　121
8．2　启动项目　122
8．2．1　定义模型　123
8．2．2　创建爬虫　124
8．2．3　使用shell命令抓取　128
8．2．4　检查结果　129
8．2．5　中断与恢复爬虫　132
8．3　使用Portia编写可视化爬虫　133
8．3．1　安装　133
8．3．2　标注　136
8．3．3　优化爬虫　138
8．3．4　检查结果　140
8．4　使用Scrapely实现自动化抓取　141
8．5　本章小结　142

第9章　总结　143
9．1　Google搜索引擎　143
9．2　Facebook　148
9．2．1　网站　148
9．2．2　API　150
9．3　Gap　151
9．4　宝马　153
9．5　本章小结　157



下载地址：

游客，如果您要查看本帖隐藏内容请回复

备注说明：
书籍来源于网络，仅限用于试读，版权归原作者所有，若喜欢请购买纸质图书，请支持正版！




来自群组: 一起玩游戏

qyouqme

飘云阁有你更精彩

vmnnmv

下来看看。。。。。

iamok

感谢分享。

qwe456

下载一个，谢谢

苏颜

一直想看这本书，爱你

ruanjian

速度支持学习

猫子

good，thanks

ahappyboy

不错，感谢分享！

mkhang

谢谢分享