Python爬虫

《Python爬虫：入门+进阶》大纲

 

 

第一章：Python 爬虫入门

 

1、什么是爬虫

网址构成和翻页机制

网页源码结构及网页请求过程

爬虫的应用及基本原理

 

2、初识Python爬虫

Python爬虫环境搭建

创建第一个爬虫：爬取百度首页

爬虫三步骤：获取数据、解析数据、保存数据

 

3、使用Requests爬取豆瓣短评

Requests的安装和基本用法

用Requests 爬取豆瓣短评信息

一定要知道的爬虫协议

 

4、使用Xpath解析豆瓣短评

解析神器Xpath的安装及介绍

Xpath的使用：浏览器复制和手写

实战：用 Xpath 解析豆瓣短评信息

 

5、使用pandas保存豆瓣短评数据

pandas 的基本用法介绍

pandas文件保存、数据处理

实战：使用pandas保存豆瓣短评数据

 

6、浏览器抓包及headers设置（案例一：爬取知乎）

爬虫的一般思路：抓取、解析、存储

浏览器抓包获取Ajax加载的数据

设置headers 突破反爬虫限制

实战：爬取知乎用户数据

 

7、数据入库之MongoDB（案例二：爬取拉勾）

MongoDB及RoboMongo的安装和使用

设置等待时间和修改信息头

实战：爬取拉勾职位数据

将数据存储在MongoDB中

补充实战：爬取微博移动端数据

 

8、Selenium爬取动态网页（案例三：爬取淘宝）

动态网页爬取神器Selenium搭建与使用

分析淘宝商品页面动态信息

实战：用Selenium 爬取淘宝网页信息

 

 

第二章：Python爬虫之Scrapy框架

 

1、爬虫工程化及Scrapy框架初窥

html、css、js、数据库、http协议、前后台联动

爬虫进阶的工作流程

Scrapy组件：引擎、调度器、下载中间件、项目管道等

常用的爬虫工具：各种数据库、抓包工具等

 

2、Scrapy安装及基本使用

Scrapy安装

Scrapy的基本方法和属性

开始第一个Scrapy项目

 

3、Scrapy选择器的用法

常用选择器：css、xpath、re、pyquery

css的使用方法

xpath的使用方法

re的使用方法

pyquery的使用方法

 

4、Scrapy的项目管道

Item Pipeline的介绍和作用

Item Pipeline的主要函数

实战举例：将数据写入文件

实战举例：在管道里过滤数据

 

5、Scrapy的中间件

下载中间件和蜘蛛中间件

下载中间件的三大函数

系统默认提供的中间件

 

6、Scrapy的Request和Response详解

Request对象基础参数和高级参数

Request对象方法

Response对象参数和方法

Response对象方法的综合利用详解

 

 

第三章：Python爬虫进阶操作

 

1、网络进阶之谷歌浏览器抓包分析

http请求详细分析

网络面板结构

过滤请求的关键字方法

复制、保存和清除网络信息

查看资源发起者和依赖关系

 

2、数据入库之去重与数据库

数据去重

数据入库MongoDB

 

 

第四章：分布式爬虫及实训项目

 

1、大规模并发采集——分布式爬虫的编写

分布式爬虫介绍

Redis数据库和Scrapy_redis安装和使用

消息队列和RabbitMQ

Celery分布式队列简介

 

2. 实训项目（一）—— 58同城出租信息爬取

爬取58同城租房信息

scrapy爬虫抓取网站的整体流程

解析函数和错误回调的编写

利用管道进行数据清洗、计算和入库

使用代理IP突破反爬限制

确定网页爬取的优先级和管道的优先级

 

3. 实训项目（二）—— 去哪儿网模拟登陆

利用cookie进行模拟登陆

cookie和session的重要性

分析HTTP请求寻找模拟登陆需要的所有cookie值

 

4. 实训项目（三）—— 京东商品数据抓取

通用爬虫CrawlSpider

链接提取器和爬取规则

部署分布式爬虫实现分布式爬取

利用scrapy_redis实现URL去重

 

 

- 高效的学习路径 -

 

 

一上来就讲理论、语法、编程语言是非常不合理的，课程会直接从具体的案例入手，通过实际的操作，学习具体的知识点。我们为你规划了一条系统的学习路径，让学习更加系统和高效。

 

说点具体的，比如我们会直接用 lxml+Xpath取代 BeautifulSoup 来进行网页解析，减少你不必要的检查网页元素的操作，工具的安装都有详细教程及常见错误处理，多种工具都能完成的，我们会给你最简单的方法，这些看似细节，但可能是很多人都会踩的坑。

 

- 每课都有学习资料 -

 

网上的资料非常不系统，且良莠不齐，往往搜索、筛选非常浪费时间。当然你可能收集了以G计的的学习资源，但保存后从来没打开过？我们已经帮你找到了最有用的那部分，并且用最简单的形式描述出来，帮助你学习，你可以把更多的时间用于练习和实践。

 

考虑到各种各样的问题，我们在每一节都准备了课后资料，包含四个部分：

 

1.课程重点笔记，详细阐述重点知识，帮助你理解和后续快速复习；

2.默认你是小白，补充所有基础知识，哪怕是软件的安装与基本操作；

3.课内外案例提供参考代码学习，让你轻松应对主流网站爬虫；

4.超多延伸知识点和更多问题的解决思路，让你有能力去解决实际中遇到的一些特殊问题。

 

某节部分课后资料

 

- 超多案例，覆盖主流网站 -

 

课程中提供了目前最常见的网站爬虫案例：豆瓣、百度、知乎、淘宝、京东、微博……每个案例在课程视频中都有详细分析，老师带你完成每一步操作，专治各种 “看得懂案例，写不出代码” 。

 

另外，我们还会补充比如小猪、链家、58同城、网易云音乐、微信好友等案例，提供思路与代码。多次的模仿和练习之后，你可以很轻松地写出自己的爬虫代码，并能够轻松爬取这些主流网站的数据。

 

 

 

- 爬虫技能进阶及数据存储、处理 -

 

懂得基本的爬虫是远远不够的，所以我们会用实际的案例，带你了解一些网站的反爬虫措施，并且用具体的技术绕过限制。比如异步加载、IP限制、headers限制、验证码等等，这些比较常见的反爬虫手段，你都可以很好地规避。

 

工程化的爬虫、及分布式爬虫技术，让你有获取大规模数据的可能，一次性从入门到进阶。除了爬虫的内容，你还将了解数据库（Mongodb）、pandas 的基本知识，帮你存储爬取的数据，同时可以对数据进行管理和清洗，你可以获得更干净的数据，以便后续的分析和处理。

 

 

- 导师团队 -

 

小X和小Y都是知乎爬虫话题下的大V，并且都是造数的全职爬虫工程师。他们给过我很多帮助，这个课也主要由他们来讲授。小X和小Y在在成为大佬的路上也爬过很多坑，所以知道小白要学什么、怎么学。最重要的是，他们喜欢分享，还威胁大BOSS黄震昕（造数CEO）加入，这也是花无数心血完成的精品课程。

 

 

黄震昕

造数科技创始人兼CEO

 

创立的造数科技是一家新一代智能云数据采集服务提供商，帮助企业和个人轻松获取并分析、利用外部数据，帮助其完成市场分析、竞品监控、舆情监控、商机发现等。造数上线一年以来，已经服务了13000多个企业和个人客户，分布在零售、电商、金融、资询、大数据等行业。造数新一代智能云爬虫产品已编入人教版高中信息技术教材（2018年9月出版）。

 

 

 

刘畅（小X）

高级爬虫工程师 

 

造数爬虫项目组主要负责人， CPO（首席爬虫工程师），因常年对淘宝，京东，58，高德，美团，等互联网独角兽企业进行反爬策略分析并抓取，而被各大互联网公司成为头号“害虫”，见之必杀（程序员何苦为难程序员），目前造数构建大型分布式爬虫，和开发日IP过十万的高效代理池系统。

 

 

 

张世润（小Y）

高级爬虫工程师 

 

爱好者：喜欢Python，擅长爬虫，数据处理； 

创作者：知乎爬虫话题大V，原创文章近百篇，拥有数千粉丝； 

学习者：爱学习的“萌新”，自学成长为爬虫工程师，深谙自学之道，愿分享所有能量带大家入门。

 

 

- 老师及时解决你的每一个问题 -

 

除了经验丰富、带你一步步实操的课程老师之外，DC学院还建立了提升效率的学习群，助教老师会在群里及时解答学员每一个疑问。同时，你还可以跟一群未来优秀的爬虫工程师，分享经验、代码、数据，探讨爬虫和数据分析技术。

 

也有同学经过一个月的学习，能够写出分布式的框架，去爬去大规模的数据。我们也有信心让你在短时间内，达到爬取大规模数据的水平。