用Python写网络爬虫

内容概要

Richard Lawson来自澳大利亚，毕业于墨尔本大学计算机科学专业。毕业后，他创办了一家专注于网络爬虫的公司，为超过50个国家的业务提供远程工作。他精通于世界语，可以使用汉语和韩语对话，并且积极投身于开源软件。他目前在牛津大学攻读研究生学位，并利用业余时间研发自主无人机。

书籍目录

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

作者简介

作为一种便捷地收集网上信息并从中抽取出可用信息的方式，网络爬虫技术变得越来越有用。使用Python这样的简单编程语言，你可以使用少量编程技能就可以爬取复杂的网站。

《用Python写网络爬虫》作为使用Python来爬取网络数据的杰出指南，讲解了从静态页面爬取数据的方法以及使用缓存来管理服务器负载的方法。此外，本书还介绍了如何使用AJAX URL和Firebug扩展来爬取数据，以及有关爬取技术的更多真相，比如使用浏览器渲染、管理cookie、通过提交表单从受验证码保护的复杂网站中抽取数据等。本书使用Scrapy创建了一个高级网络爬虫，并对一些真实的网站进行了爬取。

《用Python写网络爬虫》介绍了如下内容：

通过跟踪链接来爬取网站；

使用lxml从页面中抽取数据；

构建线程爬虫来并行爬取页面；

将下载的内容进行缓存，以降低带宽消耗；

解析依赖于JavaScript的网站；

与表单和会话进行交互；

解决受保护页面的验证码问题；

对AJAX调用进行逆向工程；

使用Scrapy创建高级爬虫。

本书读者对象

本书是为想要构建可靠的数据爬取解决方案的开发人员写作的，本书假定读者具有一定的Python编程经验。当然，具备其他编程语言开发经验的读者也可以阅读本书，并理解书中涉及的概念和原理。

 用Python写网络爬虫下载