目 錄
第1章 Python爬蟲概念與Web基礎(chǔ) 1
1.1 爬蟲概念 1
1.1.1 什么是爬蟲 1
1.1.2 爬蟲使用場景的引入 2
1.1.3 爬蟲的組成部分 3
1.1.4 模擬請求 3
1.1.5 數(shù)據(jù)解析 4
1.1.6 數(shù)據(jù)保存 5
1.1.7 爬蟲的學(xué)習(xí)路線 5
1.2 HTTP簡述 6
1.2.1 簡述一次網(wǎng)絡(luò)請求過程 6
1.2.2 URI和URL 7
1.2.3 HTTP請求報文 8
1.2.4 HTTP響應(yīng)報文 10
1.3 網(wǎng)頁的組成 13
1.3.1 HTML簡介 13
1.3.2 CSS選擇器簡介 16
1.3.3 JavaScript簡介 17
第2章 Python爬蟲基本庫的使用 18
2.1 Chrome抓包詳解 18
2.1.1 Controls 20
2.1.2 Filter 21
2.1.3 Request Table 21
2.2 urllib庫詳解 23
2.2.1 發(fā)送請求 23
2.2.2 抓取二進制文件 24
2.2.3 模擬GET和POST請求 25
2.2.4 修改請求頭 26
2.2.5 設(shè)置連接超時 27
2.2.6 延遲提交數(shù)據(jù) 27
2.2.7 設(shè)置代理 27
2.2.8 Cookie 28
2.2.9 urllib.parse模塊 29
2.2.10 urllib.error異常處理模塊 31
2.2.11 urllib.robotparser模塊 32
2.3 用lxml庫解析網(wǎng)頁節(jié)點 34
2.3.1 安裝庫 34
2.3.2 XPath語法速成 34
2.4 實戰(zhàn)：爬取小說《三國演義》 36
第3章 Python爬蟲抓包與數(shù)據(jù)解析 41
3.1 抓包進階 41
3.1.1 HTTPS介紹 42
3.1.2 HTTPS的工作流程 43
3.1.3 Charles抓包 43
3.1.4 Packet Capture抓包 49
3.2 Requests HTTP請求庫 52
3.2.1 Requests庫簡介 53
3.2.2 Requests HTTP基本請求 53
3.2.3 Requests 請求常用設(shè)置 54
3.2.4 Requests 處理返回結(jié)果 54
3.2.5 Requests 處理Cookie 55
3.2.6 Requests重定向與請求歷史 55
3.2.7 Requests 錯誤與異常處理 55
3.2.8 Requests Session會話對象 55
3.2.9 Requests SSL證書驗證 56
3.3 實戰(zhàn)：爬取微信文章中的圖片、音頻和視頻 56
3.3.1 爬取標(biāo)題 56
3.3.2 爬取圖片 57
3.3.3 爬取音頻 58
3.3.4 爬取視頻 60
3.3.5 代碼整理 64
3.4 Beautiful Soup解析庫 67
3.4.1 Beautiful Soup簡介 67
3.4.2 Beautiful Soup對象實例化 67
3.4.3 Beautiful Soup的四大對象 68
3.4.4 Beautiful Soup的各種節(jié)點 69
3.4.5 Beautiful Soup文檔樹搜索 69
3.4.6 Beautiful Soup 使用CSS選擇器 70
3.5 實戰(zhàn)：爬取壁紙站點的壁紙 70
3.6 正則表達式 74
3.6.1 re模塊 74
3.6.2 正則規(guī)則詳解 75
3.6.3 正則練習(xí) 77
3.7 實戰(zhàn)：爬取市級編碼列表 79
3.7.1 獲取所有市級的跳轉(zhuǎn)鏈接列表 80
3.7.2 解析表格獲得所有市級天氣鏈接 81
3.7.3 提取市級編碼 82
3.7.4 整合調(diào)整代碼 83
第4章 用CSV和Excel存儲數(shù)據(jù) 85
4.1 用CSV文件存儲數(shù)據(jù) 85
4.1.1 CSV寫入 86
4.1.2 CSV讀取 87
4.2 實戰(zhàn)：爬取星座運勢 88
4.3 用Excel文件存儲數(shù)據(jù) 89
4.3.1 Excel寫入 89
4.3.2 Excel讀取 90
4.4 實戰(zhàn)：爬取某音樂平臺排行榜 91
第5章 用數(shù)據(jù)庫存儲數(shù)據(jù) 99
5.1 MySQL數(shù)據(jù)庫 99
5.1.1 安裝MySQL 100
5.1.2 在Windows環(huán)境下安裝MySQL 100
5.1.3 在Windows環(huán)境下配置MYSQL_HOME環(huán)境變量 101
5.1.4 在Windows環(huán)境下設(shè)置MySQL登錄密碼 101
5.1.5 在Windows環(huán)境下啟動或關(guān)閉MySQL服務(wù) 102
5.1.6 Mac環(huán)境 103
5.1.7 Ubuntu環(huán)境 103
5.1.8 MySQL的基本操作 104
5.1.9 MySQL數(shù)據(jù)庫語法速成 106
5.1.10 Python連接MySQL數(shù)據(jù)庫 110
5.1.11 MySQL特殊符號和表情問題 114
5.1.12 實戰(zhàn)：抓取某技術(shù)網(wǎng)站數(shù)據(jù) 115
5.2 數(shù)據(jù)庫可視化工具DataGrip 122
5.2.1 建立數(shù)據(jù)庫關(guān)聯(lián) 122
5.2.2 編寫SQL語句 123
5.2.3 常見問題：連接遠程主機 124
5.3 Redis數(shù)據(jù)庫 125
5.3.1 安裝Redis 126
5.3.2 redis-py庫的安裝 130
5.3.3 redis-py基本操作示例 130
5.3.4 實戰(zhàn)：爬取視頻彈幕并保存到Redis 134
5.4 MongoDB數(shù)據(jù)庫 137
5.4.1 安裝MongoDB 137
5.4.2 安裝PyMongo庫 140
5.4.3 PyMongo基本操作示例 140
5.4.4 實戰(zhàn)：爬取某電商網(wǎng)站關(guān)鍵字搜索結(jié)果并保存到MongoDB 144
第6章 Python應(yīng)對反爬蟲策略 148
6.1 反爬蟲概述 148
6.1.1 為什么會出現(xiàn)反爬蟲 149
6.1.2 常見的爬蟲與反爬蟲大戰(zhàn) 149
6.2 反爬蟲策略 150
6.2.1 User-Agent限制 150
6.2.2 302重定向 151
6.2.3 IP限制 151
6.2.4 什么是網(wǎng)絡(luò)代理 151
6.2.5 如何獲取代理IP 151
6.2.6 ADSL撥號代理 152
6.2.7 Squid 配置代理緩存服務(wù)器 156
6.2.8 TinyProxy配置代理緩存服務(wù)器 158
6.2.9 Cookie限制 159
6.3 JavaScript反爬蟲策略 159
6.3.1 Ajax動態(tài)加載數(shù)據(jù) 159
6.3.2 實戰(zhàn)：爬取某素材網(wǎng)內(nèi)容分析 159
6.3.3 數(shù)據(jù)請求分析 160
6.3.4 編寫代碼 163
6.4 Selenium模擬瀏覽器操作 166
6.4.1 Selenium簡介 166
6.4.2 安裝Selenium 167
6.4.3 Selenium常用函數(shù) 168
6.5 實戰(zhàn)：爬取某網(wǎng)站的特定圖 172
6.6 PhantomJS 175
6.6.1 在Windows上安裝PhantomJS 175
6.6.2 在Mac上安裝PhantomJS 175
6.6.3 在Ubuntu上安裝PhantomJS 176
6.6.4 關(guān)于PhantomJS的重要說明 176
6.7 常見驗證碼策略 176
6.7.1 圖片驗證碼 177
6.7.2 實戰(zhàn)：實現(xiàn)圖片驗證碼自動登錄 178
6.7.3 實戰(zhàn)：實現(xiàn)滑動驗證碼自動登錄 185
第7章 Python爬蟲框架Scrapy（上） 196
7.1 Scrapy框架簡介與安裝 197
7.1.1 Scrapy相關(guān)信息 197
7.1.2 Scrapy的安裝 197
7.2 實戰(zhàn)：爬取某網(wǎng)站每日壁紙 199
7.2.1 抓取目標(biāo)分析 199
7.2.2 創(chuàng)建爬蟲腳本 201
7.2.3 編寫爬蟲腳本 202
7.2.4 運行爬蟲腳本 203
7.2.5 解析數(shù)據(jù) 203
7.3 Scrapy架構(gòu)簡介 204
7.3.1 Scrapy架構(gòu)圖 204
7.3.2 各個模塊間的協(xié)作流程 205
7.3.3 協(xié)作流程擬人化對話版 206
7.4 Spider詳解 207
7.4.1 Spider的主要屬性和函數(shù) 207
7.4.2 Spider運行流程 207
7.5 Request類和Response類 209
7.5.1 Request詳解 209
7.5.2 Response類常用參數(shù)、方法與子類 210
7.5.3 選擇器 211
7.5.4 Scrapy Shell 212
7.6 Item詳解 213
7.7 Item Pipeline詳解 213
7.7.1 自定義Item Pipeline類 213
7.7.2 啟用Item Pipeline 214
7.8 實戰(zhàn)：完善爬取每日壁紙的腳本 214
7.8.1 定義BingItem 215
7.8.2 使用ImagesPipeline 215
7.8.3 修改Spider代碼 216
7.8.4 運行爬蟲腳本 216
7.9 設(shè)置請求頭 217
7.9.1 構(gòu)造Request時傳入 217
7.9.2 修改settings.py文件 217
7.9.3 為爬蟲添加custom_settings字段 218
7.10 下載中間件詳解 218
7.10.1 自定義Downloader Middleware類 218
7.10.2 啟用自定義的代理下載中間件 219
7.11 實戰(zhàn)：爬取某站點繪畫頻道的圖片 219
7.11.1 分析爬取的站點 219
7.11.2 新建項目與明確爬取目標(biāo) 221
7.11.3 創(chuàng)建爬蟲爬取網(wǎng)頁 221
7.11.4 設(shè)置代理 223
7.11.5 解析數(shù)據(jù) 223
7.11.6 存儲數(shù)據(jù) 224
7.11.7 完善代碼 226
第8章 Python爬蟲框架Scrapy（下） 228
8.1 Scrapy對接Selenium 228
8.1.1 如何對接 228
8.1.2 對接示例：爬取某網(wǎng)站首頁文章 229
8.2 實戰(zhàn)：用Scrapy實現(xiàn)一個簡單的代理池 232
8.2.1 代理池的設(shè)計 232
8.2.2 創(chuàng)建項目 232
8.2.3 編寫獲取IP的爬蟲 233
8.2.4 編寫檢測IP的爬蟲 238
8.2.5 編寫調(diào)度程序 240
8.2.6 編寫獲取代理IP的接口 241
8.2.7 使用代理 243
8.3 用Scrapyrt調(diào)度Scrapy 243
8.3.1 相關(guān)文檔與安裝Scrapyrt 243
8.3.2 Scrapyrt GET請求相關(guān)參數(shù) 244
8.3.3 Scrapyrt POST請求相關(guān)參數(shù) 246
8.4 用Docker部署Scrapy 246
8.4.1 Docker簡介 246
8.4.2 下載并安裝Docker 247
8.4.3 創(chuàng)建Dockerfile 249
8.4.4 構(gòu)建Docker鏡像 250
8.4.5 把生成的Docker鏡像推送到Docker Hub 251
8.4.6 在云服務(wù)器上運行Docker鏡像 253
第9章 數(shù)據(jù)分析案例：Python崗位行情 254
9.1 數(shù)據(jù)爬取 254
9.2 NumPy庫和pandas庫 258
9.2.1 ndarray數(shù)組 259
9.2.2 ndarray數(shù)組的常用操作 260
9.2.3 pandas庫 263
9.3 用Matplotlib實現(xiàn)數(shù)據(jù)可視化 268
9.3.1 Matplotlib中文亂碼問題 269
9.3.2 Matplotlib繪制顯示不全 270
9.3.3 用Matplotlib生成圖表并進行分析 271
9.4 用Wordcloud庫進行詞云繪制 275
9.4.1 Wordcloud簡介 275
9.4.2 Wordcloud構(gòu)造函數(shù)與常用方法 276
9.4.3 詞云繪制 277
9.5 小結(jié) 280
第10章 數(shù)據(jù)分析案例：某婚戀網(wǎng)站交友情況分析 281
10.1 數(shù)據(jù)爬取 281
10.2 安裝Jupyter Notebook 287
10.3 安裝pyecharts 288
10.4 數(shù)據(jù)分析 289
10.4.1 讀取CSV文件里的數(shù)據(jù) 289
10.4.2 分析身高 290
10.4.3 分析學(xué)歷 292
10.4.4 分析年齡 292
10.4.5 分析城市 294
10.4.6 分析交友宣言 294
10.5 小結(jié) 296