更新时间：2024-12-31 19:16:24
封面
版权页
内容简介
前言
第1章 网络爬虫快速入门
1.1 各种网络爬虫
1.1.1 通用爬虫
1.1.2 定向爬虫
1.2 网络爬虫基本技术
1.3 Windows命令行
1.4 上手Scrapy网络爬虫开发
1.5 本章小结
第2章 Python开发快速入门
2.1 变量
2.2 注释
2.3 简单数据类型
2.3.1 数值
2.3.2 字符串
2.3.3 数组
2.4 字面值
2.5 控制流
2.5.1 if语句
2.5.2 循环
2.6 列表
2.7 元组
2.8 集合
2.9 字典
2.10 函数
2.11 模块
2.12 检查字符串是否包含子字符串
2.13 面向对象编程
2.14 泛型
2.15 日志记录
2.16 数据库
2.17 本章小结
第3章 使用Python开发网络爬虫
3.1 使用BeautifulSoup实现定向采集
3.2 URL基础
3.2.1 URI
3.2.2 解析相对地址
3.2.3 DNS解析
3.3 网络爬虫抓取原理
3.4 爬虫架构
3.4.1 基本架构
3.4.2 分布式爬虫架构
3.4.3 垂直爬虫架构
3.5 下载网页
3.5.1 HTTP
3.5.2 HTML文档
3.5.3 使用curl命令下载网络资源
3.5.4 使用wget命令下载网页
3.5.5 下载静态网页
3.5.6 使用Selenium下载动态内容
3.5.7 重试
3.6 下载图片
3.7 网络爬虫的遍历与实现
3.8 robots协议
3.9 连接池
3.10 URL地址查新
3.10.1 Redis数据库
3.10.2 布隆过滤器
3.11 抓取RSS
3.12 网页更新
3.13 进度条
3.14 垂直行业抓取
3.15 抓取限制的应对方法
3.15.1 模拟浏览器访问
3.15.2 使用代理IP
3.15.3 抓取需要登录的网页
3.16 保存信息
3.16.1 SQLite数据库
3.16.2 MySQL数据库
3.16.3 MongoDB数据库
3.16.4 存入Elasticsearch搜索引擎
3.17 本章小结
第4章 从互联网提取信息
4.1 识别网页的编码
4.1.1 二进制流的编码
4.1.2 识别编码的整体流程
4.2 正则表达式
4.3 结构化信息的提取
4.3.1 解析JSON
4.3.2 解析XML
4.3.3 XML接口
4.3.4 lxml处理网页
4.3.5 使用XPath提取信息
4.3.6 在Chrome浏览器中查找Selenium WebDriver的XPath
4.3.7 CSS选择器
4.3.8 使用Parsel
4.3.9 提取文本
4.3.10 网页正文提取
4.4 从文件提取信息
4.5 本章小结
第5章 使用Scrapy开发爬虫
5.1 一个示例爬虫的演练
5.2 Scrapy Playwright指南：渲染和抓取动态JS网站
5.3 将抓取的数据保存到SQLite数据库
5.4 将抓取的数据保存到MySQL数据库
5.5 将抓取的数据保存到Postgres数据库
5.6 Scrapyd：部署、调度和运行Scrapy爬虫
