当前位置:首页 > 工业技术
虫术  Python绝技
虫术  Python绝技

虫术 Python绝技PDF电子书下载

工业技术

  • 电子书积分:14 积分如何计算积分?
  • 作 者:梁睿坤著
  • 出 版 社:北京:电子工业出版社
  • 出版年份:2018
  • ISBN:9787121344565
  • 页数:415 页
图书介绍:本书以当下在大数据应用方面流行、常用的语言Python为基础,由浅入深,从网络爬虫的基础实现原理入手,逐步将读者引领进入网络爬虫的世界。在各类爬虫框架中将使用最为广泛的Scrapy作为轴心,从多个维度揭开爬虫技术的面纱。例如,爬取规则的制定技巧,高速爬虫的设计,通过人工分析和机器学习技术让爬虫更“聪明”地“读”懂获取数据的技术,将与日据增的海量数据进行分布式的存储技术,具有高隐匿性的爬虫设计,直至对大规模、高并发的分布式爬虫技术。本书基于Python这门灵活且简洁的语言,结合作者在网络数据爬取和大数据的实际工程经验,尝试总结成为一种实用性和系统化的理论与经验沉淀,让更多数据工作者或编程爱好者在这一大数据时代从海量的信息中通过掌握“虫述”来获取对自已或企业具有价值的信息。
《虫术 Python绝技》目录
标签:绝技

第1章 爬虫初步 1

1.1 爬虫与大数据 1

1.1.1 大数据架构 1

1.1.2 爬虫的作用与地位 3

1.1.3 Python与爬虫 5

1.1.4 Python的网络爬虫框架 6

1.1.5 虫术技术路线图 9

1.2 实例:简单的爬虫 10

1.3 内容分析进阶 13

1.3.1 选择器 15

1.3.2 深入BeautifulSoup 16

1.3.3 元素的搜寻 18

1.3.4 乱码与中文编码 22

1.4 新闻供稿的爬取实例 31

1.5 小结 39

第2章 Scrapy基础知识 40

2.1 Scrapy架构 41

2.2 Scrapy快速入手 43

2.3 数据模型Item 47

2.4 蜘蛛——Spiders 51

2.5 管道——Item Pipeline 54

2.6 Scrapy的运行与配置 60

2.7 新闻供稿爬虫的Scrapy实现 63

2.8 小结 65

第3章 Scrapy的工程管理 66

3.1 Scrapyd 67

3.2 scrapyd-client及部署 77

3.3 搭建爬虫服务器 81

第4章 中阶虫术 87

4.1 蜘蛛的演化 88

4.1.1 蜘蛛的本质——深入Spider 88

4.1.2 通用蜘蛛 93

4.1.3 蜘蛛中间件 117

4.2 爬虫系统的测试与调试 128

4.2.1 开发期调试 128

4.2.2 蜘蛛的测试 131

4.2.3 蜘蛛的运行期调试 133

4.2.4 调试内存溢出 139

4.3 处理HTTP请求 144

4.3.1 HTTP请求 145

4.3.2 Scrapy的Request对象 156

4.3.3 表单处理 162

4.3.4 下载器中间件 164

4.4 处理HTTP响应 177

4.4.1 HTTP响应 178

4.4.2 Scrapy的响应对象 182

4.4.3 深入选择器 184

4.4.4 非结构化数据的提取 196

4.4.5 黑夜中的眼睛 217

4.5 处理JavaScript 229

4.5.1 示例:电商产品爬虫 230

4.5.2 Selenium和PhantomJS 235

4.5.3 Scrapy与Splash 259

4.6 数据存储与后处理 292

4.6.1 图片的下载与存储 293

4.6.2 示例:产品图片采集 298

4.6.3 导出到数据文件 299

4.6.4 导出到数据库 302

4.6.5 示例:基于阿里云的存储后端 308

第5章 高阶虫术 324

5.1 增量式爬网 325

5.1.1 推演路由 326

5.1.2 时机的重要性 328

5.1.3 去重处理 329

5.1.4 布隆过滤器 331

5.1.5 基于Redis的布隆过滤器 336

5.2 突破封印 340

5.2.1 封禁浅析 343

5.2.2 客户端仿真 346

5.2.3 化身万千——蜘蛛世界的易容术 356

5.2.4 反跟踪 377

5.2.5 绕开蜜罐 380

5.3 虫海 385

5.3.1 分布式爬虫架构 385

5.3.2 认识scrapy-redis 386

5.3.3 示例:分布式电商爬虫 390

5.4 可视化爬虫 393

5.4.1 示例:某点评网爬虫 397

5.4.2 解读Portia爬虫代码 402

5.4.3 数据项加载器——Item Loaders 410

5.4.4 最后的工作 413

返回顶部