醉染图书Python3网络爬虫实战9787302557340

章Python环境配置1

1.1Python简介1

1.1.1Python的历史由来1

1.1.2Python的现状2

1.1.3Python的应用2

1.2Python3.8.0开发环境配置4

1.2.1在Windows下安装Python4

1.2.2在Windows下安装配置pip8

1..在Linux下安装Python9

1.2.4在Linux下安装配置pip11

1.2.5永远的helloworld15

1.3本章小结19

第2章爬虫基础快速入门20

2.1HTTP基本原理20

2.1.1URI和URL20

2.1.2超文本21

2.1.3HTTP和HTTPS21

2.1.4HTTP请求过程22

2.1.5请求24

2.1.6响应26

2.2网页基础27

2.2.1网页的组成27

2.2.2网页的结构28

2..节点树及节点间的关系30

2.2.4选择器36

.爬虫的基本原理37

..1爬虫概述37

..2能抓取什么样的数据37

..JavaScript渲染页面38

2.4会话和Cookies39

2.4.1静态网页和动态网页40

2.4.2无状态HTTP41

2.4.3常见误区42

2.5代理的基本原理42

2.5.1基本原理42

2.5.2代理的作用43

2.5.3代理分类43

2.5.4常见代理设置44

2.6本章小结44

第3章数据存储与解析45

3.1文件存储45

3.1.1TXT文件存储45

3.1.2JSON文件存储49

3.1.3CSV文件存储52

3.2关系型数据库存储57

3.2.1连接数据库59

3.2.2创建表59

3..插入数据60

3.2.4浏览数据61

3.2.5修改数据62

3.2.6删除数据63

3.3非关系型数据库存储64

3.3.1安装数据库64

3.3.2MongoDB概念解析68

3.3.3创建数据库68

3.3.4创建集合69

3.3.5插入文档69

3.3.6查询集合数据71

3.3.7修改记录73

3.3.8数据排序74

3.3.9删除文档75

3.4lxml模块解析数据76

3.4.1安装模块76

3.4.2XPath常用规则76

3.4.3读取文件进行解析79

3.5本章小结81

第4章Python爬虫常用模块82

4.1Python网络爬虫技术核心82

4.1.1Python网络爬虫实现原理82

4.1.2爬行策略83

4.1.3身份识别83

4.2Python3标准库之urllib.request模块84

4.2.1urllib.request请求返回网页84

4.2.2urllib.request使用代理访问网页86

4..urllib.request修改header89

4.3Python3标准库之logging模块93

4.3.1简述logging模块93

4.3.2自定义模块myLog97

4.4re模块（正则表达式）100

4.4.1re模块（正则表达式的操作）100

4.4.2re模块实战102

4.5有用模块103

4.5.1sys模块（系统参数获取）103

4.5.2time模块（获取时间信息）105

4.6本章小结108

第5章Scrapy爬虫框架109

5.1安装Scrapy109

5.1.1在Windows下安装Scrapy环境109

5.1.2在Linux下安装Scrapy110

5.1.3vim编辑器111

5.2Scrapy选择器XPath和CSS112

5.2.1XPath选择器112

5.2.2CSS选择器115

5..选择器116

5.3Scrapy爬虫实战一：今日影视117

5.3.1创建Scrapy项目117

5.3.2Scrapy文件介绍119

5.3.3Scrapy爬虫的编写121

5.4Scrapy爬虫实战二：天气预报128

5.4.1项目准备129

5.4.2创建并编辑Scrapy爬虫130

5.4.3数据存储到JSON137

5.4.4数据存储到MySL39

5.5Scrapy爬虫实战三：获取代理145

5.5.1项目准备145

5.5.2创建编辑Scrapy爬虫146

5.5.3多个Spider152

5.5.4处理Spider数据156

5.6Scrapy爬虫实战四：糗事百科158

5.6.1目标分析158

5.6.2创建编辑Scrapy爬虫159

5.6.3Scrapy项目中间件——添加headers160

5.6.4Scrapy项目中间件——添加Prxy63

5.7Scrapy爬虫实战五：爬虫攻防166

5.7.1创建一般爬虫166

5.7.2封锁间隔时间破解169

5.7.3封锁Cookies破解170

5.7.4封锁User-Agent破解170

5.7.5封锁IP破解176

5.8本章小结179

第6章BeautifulSoup爬虫180

6.1安装BeautifulSoup环境180

6.1.1在Windows下安装BeautifulSup80

6.1.2在Linux下安装BeautifulSup81

6.1.3E——Eclipse181

6.2BeautifulSoup解析器190

6.2.1bs4解析器选择190

6.2.2lxml解析器的安装191

6..使用bs4过滤器192

6.3bs4爬虫实战一：获取百度贴吧内容197

6.3.1目标分析197

6.3.2项目实施199

6.3.3代码分析206

6.3.4Eclipse调试207

6.4bs4爬虫实战二：获取双色球中奖信息208

6.4.1目标分析209

6.4.2项目实施211

6.4.3保存结果到Excel214

6.4.4代码分析219

6.5bs4爬虫实战三：获取起点小说信息220

6.5.1目标分析220

6.5.2项目实施222

6.5.3保存结果到MySL224

6.5.4代码分析228

6.6bs4爬虫实战四：获取电影信息229

6.6.1目标分析229

6.6.2项目实施0

6.6.3bs4反爬虫

6.6.4代码分析5

6.7bs4爬虫实战五：获取音悦台榜单

6.7.1目标分析

6.7.2项目实施

6.7.3代码分析242

6.8本章小结243

第7章Pyery模块244

7.1Pyery模块244

7.1.1什么是Pyery模块244

7.1.2Pyery与工具244

7.1.3Pyery模块的安装245

7.2Pyery模块的用法247

7.2.1使用字符串初始化247

7.2.2使用文件初始化248

7..使用URL初始化249

7.3CSS筛选器的使用250

7.3.1基本CSS选择器250

7.3.2查找节点251

7.3.3遍历结果255

7.3.4获取文本信息256

7.4Pyery爬虫实战一：爬取百度风云榜258

7.5Pyery爬虫实战二：爬取微博热搜259

7.6本章小结260

第8章Selenium模拟浏览器261

8.1安装Selenium模块261

8.1.1在Windows下安装Selenium模块261

8.1.2在Linux下安装Selenium模块262

8.2浏览器选择262

8.2.1Webdriver支持列表262

8.2.2在Windows下安装PhantomJS263

8..在Linux下安装PhantomJS265

8.3Selenium&PhantomJS抓取数据266

8.3.1获取百度搜索结果267

8.3.2获取搜索结果269

8.3.3获取有效数据位置271

8.3.4从位置中获取有效数据273

8.4Selenium&PhantomJS实战一：获取代理274

8.4.1准备环境274

8.4.2爬虫代码276

8.4.3代码解释278

8.5Selenium&PhantomJS实战二：漫画爬虫279

8.5.1准备环境279

8.5.2爬虫代码281

8.5.3代码解释283

8.6本章小结284

第9章PySpider框架的使用285

9.1安装PySpider285

9.1.1安装PySpider285

9.1.2使用Pyery测试291

9.2PySpider实战一：优酷影视排行293

9.2.1创建项目293

9.2.2爬虫编写一：使用PySpider+Pyery实现爬取295

9..爬虫编写二：使用PySpider+BeautifulSoup实现爬取301

9.3PySpider实战二：电影下载304

9.3.1项目分析304

9.3.2爬虫编写306

9.3.3爬虫运行、调试312

9.3.4删除项目317

9.4PySpider实战三：音悦台MusicTop320

9.4.1项目分析320

9.4.2爬虫编写321

9.5本章小结325

0章图形验识别技术326

10.1图像识别开源库：Tesseract326

10.1.1安装Tesseract326

10.1.2设置环境变量329

10.1.3测试一：使用tesseract命令识别图片中的字符330

10.1.4测试二：使用pytesseract模块识别图片中的英文字符331

10.1.5测试三：使用pytesseract模块识别图片中的中文文字332

10.2对网络验码的识别333

10.2.1图形验实战一：读取网络验码并识别333

10.2.2图形验实战二：对验码进行转化334

10.3实战三：破解滑块验码335

10.3.1所需工具335

10.3.2解决思路335

10.3.3编写代码336

10.4本章小结341

1章爬取App342

11.1Charles的使用342

11.1.1下载安装Charles342

11.1.2界面介绍343

11.1.3Proxy菜单345

11.1.4使用Charles行C端抓包350

11.1.5使用Charles进行移动端抓包350

11.2Mitmproxy的使用351

11.2.1安装Mitmproxy351

11.2.2启动Mitmproxy352

11..编写自定义脚本354

11.2.4Mitmproxy事件355

11.2.5实战：演示Mitmproxy358

11.3实战：使用Mitmdump爬取App362

11.3.1事先准备363

11.3.2带脚本抓取364

11.3.3分析结果并保存365

11.4Appium的基本使用366

11.4.1安装Appium—直接下载安装包AppiumDesktop366

11.4.2安装Appium—通过Node.js368

11.4.3Android开发环境配置368

11.4.4iOS开发环境配置368

11.4.5使用Appium369

11.4.6操作App371

11.5本章小结374

2章爬虫与反爬虫375

12.1防止爬虫IP被禁375

12.1.1反爬虫在行动375

12.1.2爬虫的应对378

12.2在爬虫中使用Cookies382

12.2.1通过Cookies反爬虫382

12.2.2带Cookies的爬虫383

12..动态加载反爬虫386

12.2.4使用浏览器获取数据386

1.本章小结386

本书详解网络爬虫的技术基础、Python常用E的使用、Python数据的存储、Python爬虫常用模块、Scrapy爬虫、BeautifulSoup爬虫、Pyery模块、Selenium模拟浏览器、PySpider框架图片验识别爬取App、爬虫与反爬虫等内容。本书内容通俗易懂，方便读者快速掌握Python 3网络爬虫技术。