python爬虫开发与项目实战pdf_python爬虫开发与项目实战PDF高清文档下载

随着大数据时代到来，网络信息量也变得更多更大，基于传统搜索引擎的局限性，网络爬虫应运而生，本书从基本的爬虫原理开始讲解，通过介绍Pthyon编程语言和Web前端基础知识引领读者入门，之后介绍动态爬虫原理以及Scrapy爬虫框架，最后介绍大规模数据下分布式爬虫的设计以及PySpider爬虫框架等。

主要特点：

由浅入深，从Python和Web前端基础开始讲起，逐步加深难度，层层递进。

内容详实，从静态网站到动态网站，从单机爬虫到分布式爬虫，既包含基础知识点，又讲解了关键问题和难点分析，方便读者完成进阶。

实用性强，本书共有9个爬虫项目，以系统的实战项目为驱动，由浅及深地讲解爬虫开发中所需的知识和技能。

难点详析，对js加密的分析、反爬虫措施的突破、去重方案的设计、分布式爬虫的开发进行了细致的讲解。

目录 · · · · · ·

前言

基础篇

第1章　回顾Python编程 2

1.1　安装Python 2

1.1.1　Windows上安装Python 2

1.1.2　Ubuntu上的Python 3

1.2　搭建开发环境 4

1.2.1　Eclipse+PyDev 4

1.2.2　PyCharm 10

1.3　IO编程 11

1.3.1　文件读写 11

1.3.2　操作文件和目录 14

1.3.3　序列化操作 15

1.4　进程和线程 16

1.4.1　多进程 16

1.4.2　多线程 22

1.4.3　协程 25

1.4.4　分布式进程 27

1.5　网络编程 32

1.5.1　TCP编程 33

1.5.2　UDP编程 35

1.6　小结 36

第2章　Web前端基础 37

2.1　W3C标准 37

2.1.1　HTML 37

2.1.2　CSS 47

2.1.3　JavaScript 51

2.1.4　XPath 56

2.1.5　JSON 61

2.2　HTTP标准 61

2.2.1　HTTP请求过程 62

2.2.2　HTTP状态码含义 62

2.2.3　HTTP头部信息 63

2.2.4　Cookie状态管理 66

2.2.5　HTTP请求方式 66

2.3　小结 68

第3章　初识网络爬虫 69

3.1　网络爬虫概述 69

3.1.1　网络爬虫及其应用 69

3.1.2　网络爬虫结构 71

3.2　HTTP请求的Python实现 72

3.2.1　urllib2/urllib实现 72

3.2.2　httplib/urllib实现 76

3.2.3　更人性化的Requests 77

3.3　小结 82

第4章　HTML解析大法 83

4.1　初识Firebug 83

4.1.1　安装Firebug 84

4.1.2　强大的功能 84

4.2　正则表达式 95

4.2.1　基本语法与使用 96

4.2.2　Python与正则 102

4.3　强大的BeautifulSoup 108

4.3.1　安装BeautifulSoup 108

4.3.2　BeautifulSoup的使用 109

4.3.3　lxml的XPath解析 124

4.4　小结 126

第5章　数据存储（无数据库版） 127

5.1　HTML正文抽取 127

5.1.1　存储为JSON 127

5.1.2　存储为CSV 132

5.2　多媒体文件抽取 136

5.3　Email提醒 137

5.4　小结 138

第6章　实战项目：基础爬虫 139

6.1　基础爬虫架构及运行流程 140

6.2　URL管理器 141

6.3　HTML下载器 142

6.4　HTML解析器 143

6.5　数据存储器 145

6.6　爬虫调度器 146

6.7　小结 147

第7章　实战项目：简单分布式爬虫 148

7.1　简单分布式爬虫结构 148

7.2　控制节点 149

7.2.1　URL管理器 149

7.2.2　数据存储器 151

7.2.3　控制调度器 153

7.3　爬虫节点 155

7.3.1　HTML下载器 155

7.3.2　HTML解析器 156

7.3.3　爬虫调度器 157

7.4　小结 159

中级篇

第8章　数据存储（数据库版） 162

8.1　SQLite 162

8.1.1　安装SQLite 162

8.1.2　SQL语法 163

8.1.3　SQLite增删改查 168

8.1.4　SQLite事务 170

8.1.5　Python操作SQLite 171

8.2　MySQL 174

8.2.1　安装MySQL 174

8.2.2　MySQL基础 177

8.2.3　Python操作MySQL 181

8.3　更适合爬虫的MongoDB 183

8.3.1　安装MongoDB 184

8.3.2　MongoDB基础 187

8.3.3　Python操作MongoDB 194

8.4　小结 196

第9章　动态网站抓取 197

9.1　Ajax和动态HTML 197

9.2　动态爬虫1：爬取影评信息 198

9.3　PhantomJS 207

9.3.1　安装PhantomJS 207

9.3.2　快速入门 208

9.3.3　屏幕捕获 211

9.3.4　网络监控 213

9.3.5　页面自动化 214

9.3.6　常用模块和方法 215

9.4　Selenium 218

9.4.1　安装Selenium 219

9.4.2　快速入门 220

9.4.3　元素选取 221

9.4.4　页面操作 222

9.4.5　等待 225

9.5　动态爬虫2：爬取去哪网 227

9.6　小结 230

第10章　Web端协议分析 231

10.1　网页登录POST分析 231

10.1.1　隐藏表单分析 231

10.1.2　加密数据分析 234

10.2　验证码问题 246

10.2.1　IP代理 246

10.2.2　Cookie登录 249

10.2.3　传统验证码识别 250

10.2.4　人工打码 251

10.2.5　滑动验证码 252

10.3　www]m]wap 252

10.4　小结 254

第11章　终端协议分析 255

11.1　PC客户端抓包分析 255

11.1.1　HTTP Analyzer简介 255

11.1.2　虾米音乐PC端API实战分析 257

11.2　App抓包分析 259

11.2.1　Wireshark简介 259

11.2.2　酷我听书App端API实战分析 266

11.3　API爬虫：爬取mp3资源信息 268

11.4　小结 272

第12章　初窥Scrapy爬虫框架 273

12.1　Scrapy爬虫架构 273

12.2　安装Scrapy 275

12.3　创建cnblogs项目 276

12.4　创建爬虫模块 277

12.5　选择器 278

12.5.1　Selector的用法 278

12.5.2　HTML解析实现 280

12.6　命令行工具 282

12.7　定义Item 284

12.8　翻页功能 286

12.9　构建Item Pipeline 287

12.9.1　定制Item Pipeline 287

12.9.2　激活Item Pipeline 288

12.10　内置数据存储 288

12.11　内置图片和文件下载方式 289

12.12　启动爬虫 294

12.13　强化爬虫 297

12.13.1　调试方法 297

12.13.2　异常 299

12.13.3　控制运行状态 300

12.14　小结 301

第13章　深入Scrapy爬虫框架 302

13.1　再看Spider 302

13.2　Item Loader 308

13.2.1　Item与Item Loader 308

13.2.2　输入与输出处理器 309

13.2.3　Item Loader Context 310

13.2.4　重用和扩展Item Loader 311

13.2.5　内置的处理器 312

13.3　再看Item Pipeline 314

13.4　请求与响应 315

13.4.1　Request对象 315

13.4.2　Response对象 318

13.5　下载器中间件 320

13.5.1　激活下载器中间件 320

13.5.2　编写下载器中间件 321

13.6　Spider中间件 324

13.6.1　激活Spider中间件 324

13.6.2　编写Spider中间件 325

13.7　扩展 327

13.7.1　配置扩展 327

13.7.2　定制扩展 328

13.7.3　内置扩展 332

13.8　突破反爬虫 332

13.8.1　UserAgent池 333

13.8.2　禁用Cookies 333

13.8.3　设置下载延时与自动限速 333

13.8.4　代理IP池 334

13.8.5　Tor代理 334

13.8.6　分布式下载器:Crawlera 337

13.8.7　Google cache 338

13.9　小结 339

第14章　实战项目：Scrapy爬虫 340

14.1　创建知乎爬虫 340

14.2　定义Item 342

14.3　创建爬虫模块 343

14.3.1　登录知乎 343

14.3.2　解析功能 345

14.4　Pipeline 351

14.5　优化措施 352

14.6　部署爬虫 353

14.6.1　Scrapyd 354

14.6.2　Scrapyd-client 356

14.7　小结 357

深入篇

第15章　增量式爬虫 360

15.1　去重方案 360

15.2　BloomFilter算法 361

15.2.1　BloomFilter原理 361

15.2.2　Python实现BloomFilter 363

15.3　Scrapy和BloomFilter 364

15.4　小结 366

第16章　分布式爬虫与Scrapy 367

16.1　Redis基础 367

16.1.1　Redis简介 367

16.1.2　Redis的安装和配置 368

16.1.3　Redis数据类型与操作 372

16.2　Python和Redis 375

16.2.1　Python操作Redis 375

16.2.2　Scrapy集成Redis 384

16.3　MongoDB集群 385

16.4　小结 390

第17章　实战项目：Scrapy分布式爬虫 391

17.1　创建云起书院爬虫 391

17.2　定义Item 393

17.3　编写爬虫模块 394

17.4　Pipeline 395

17.5　应对反爬虫机制 397

17.6　去重优化 400

17.7　小结 401

第18章　人性化PySpider爬虫框架 403

18.1　PySpider与Scrapy 403

18.2　安装PySpider 404

18.3　创建豆瓣爬虫 405

18.4　选择器 409

18.4.1　PyQuery的用法 409

18.4.2　解析数据 411

18.5　Ajax和HTTP请求 415

18.5.1　Ajax爬取 415

18.5.2　HTTP请求实现 417

18.6　PySpider和PhantomJS 417

18.6.1　使用PhantomJS 418

18.6.2　运行JavaScript 420

18.7　数据存储 420

18.8　PySpider爬虫架构 422

18.9　小结 423