Python网络爬虫实例教程

第1章 网络爬虫概述 1

1.1　认识网络爬虫　1

1.1.1　网络爬虫的含义　1

1.1.2　网络爬虫的主要类型　2

1.1.3　简单网络爬虫的架构　3

1.1.4　网络爬虫的应用场景　3

1.2　Python网络爬虫技术概况　4

1.2.1　Python中实现HTTP请求　4

1.2.2　Python中实现网页解析　5

1.2.3　Python爬虫框架　6

1.3　搭建开发环境　7

1.3.1　代码运行环境　7

1.3.2　开发编辑器　8

1.4　本章小结及要求　11

第2章　爬虫基础　12

2.1　认识HTTP请求　12

2.1.1　HTTP请求的含义　12

2.1.2　HTTP请求信息　12

2.2　爬虫基础——Requests库入门　15

2.2.1　Requests库的安装　15

2.2.2　Requests库的请求方法　16

2.2.3　Requests库的响应对象　17

2.2.4　响应状态码　17

2.2.5　定制请求头部　18

2.2.6　重定向与超时　18

2.2.7　传递URL参数　19

2.3　爬虫基础——Urllib库基础　20

2.3.1　Urllib 库简介　20

2.3.2　发送GET请求　20

2.3.3　模拟浏览器发送GET

请求　21

2.3.4　POST发送一个请求　22

2.3.5　URL解析　23

2.4　本章小结及要求　24

第3章　网页解析基础　25

3.1　网页解析概述　25

3.1.1　常用网页解析工具　25

3.1.2　HTML源码简介　25

3.2　XPath语法基础　27

3.2.1　Lxml库的安装　27

3.2.2　XPath语法基础——

通过路径查找元素　28

3.2.3　通过属性查找元素　30

3.2.4　提取属性值　31

3.2.5　XPath的高级用法　31

3.3　抓取百度首页实例　33

3.4　Beautiful Soup库和正则表达式　37

3.4.1　Beautiful Soup简介　38

3.4.2　Beautiful Soup基本用法　39

3.4.3　Beautiful Soup标准选择器　40

3.4.4　正则表达式　41

3.5　本章小结及要求　45

第4章　基础爬虫实例　46

4.1　Q房网爬虫实例　46

4.1.1　网站页面分析　46

4.1.2　编写Q房网二手房房源爬虫

代码　47

4.1.3　保存爬取到的信息　50

4.2　多层页面的爬取　51

4.2.1　爬取详情页面分析　51

4.2.2　编写爬取详情页面的代码　52

4.3　下载房源图片和实现多线程

　爬虫　55

4.3.1　下载房源图片　55

4.3.2　实现简单多线程爬虫　56

4.4　本章小结及要求　59

第5章　Requests模拟登录　60

5.1　使用Cookies登录网站　60

5.1.1　网站的保持登录机制　60

5.1.2　登录豆瓣网站　61

5.2　模拟登录网站　63

5.2.1　豆瓣网站的登录分析　63

5.2.2　Requests会话对象　66

5.2.3　编写Requests登录豆瓣

网站的代码　67

5.3　验证码的处理　68

5.3.1　带验证码的网站登录分析　68

5.3.2　验证码的识别和处理　70

5.3.3　编写带验证码的豆瓣网站

登录代码　71

5.4　本章小结及要求　73

第6章　认识和应对反爬虫　74

6.1　常用的网站反爬虫策略及应对

　措施　74

6.1.1　常用的网站反爬虫策略　74

6.1.2　应对网站反爬虫的措施　75

6.2　使用IP代理的方法　76

6.2.1　Requests中使用代理IP　76

6.2.2　获取免费代理IP　77

6.3　使用IP代理爬取微信文章　78

6.3.1　分析微信文章的搜索页面

及其URL的构造特点　78

6.3.2　编写爬虫代码　80

6.4　本章小结及要求　82

第7章　动态网页的抓取　84

7.1　动态网页及其爬取方法　84

7.1.1　动态网页的含义　84

7.1.2　动态网页的爬取办法　85

7.2　动态网页的爬取技巧　86

7.2.1　链家经纪人页面分析　86

7.2.2　链家经纪人爬虫实现　88

7.3　Selenium库的安装与使用　90

7.3.1　Selenium库的安装　90

7.3.2　chromedriver的安装和使用　91

7.3.3　Selenium的简单使用　92

7.4　爬取新浪微博网站　95

7.4.1　新浪微博网站爬取分析　95

7.4.2　新浪微博网站爬虫实现　95

7.4.3　爬虫的简单去重　98

7.4.4　使用Chrome浏览器的

headless模式　100

7.5　本章小结及要求　101

第8章　动态网页与应对反爬虫

　综合实例　102

8.1　拉勾网网站分析　102

8.1.1　拉勾网网站页面初步分析　102

8.1.2　解析json数据和招聘岗位

详情页分析　105

8.2　拉勾网爬虫实现　107

8.2.1　拉勾网爬虫的初步实现　107

8.2.2　拉勾网爬虫的进一步

完善　109

8.3　探索拉勾网反爬虫机制　110

8.4　本章小结及要求　113

第9章　Scrapy爬虫框架基础　114

9.1　Scrapy爬虫框架简介与安装　114

9.1.1　Scrapy爬虫框架简介　114

9.1.2　Scrapy爬虫框架的安装　114

9.2　Scrapy目录结构和简单爬虫

　实例　116

9.2.1　Scrapy目录结构　116

9.2.2　百度爬虫实现　119

9.2.3　Scrapy选择器　120

9.3　Scrapy命令行工具、选择器、

　数据容器　122

9.3.1　Scrapy常用命令行工具　122

9.3.2　Scrapy选择器高级应用　124

9.3.3　Scrapy数据容器　125

9.4　本章小结及要求　126

第10章　BasicSpider类和

　图片下载　127

10.1　BasicSpider类　127

10.1.1　Scrapy的爬虫类和模板　127

10.1.2　BasicSpider类简介　128

10.2　爬取我爱我家二手房房源

　数据　129

10.2.1　我爱我家网站分析　129

10.2.2　我爱我家爬虫项目实现　131

10.2.3　数据的快捷输出　133

10.3　图片下载和翻页的另一种

　方法　134

10.3.1　Scrapy图片下载简介　134

10.3.2　我爱我家房源图片下载　134

10.3.3　翻页的另一种方法　135

10.4　本章小结及要求　137

第11章　CrawlSpider类和Scrapy

　框架概览　138

11.1　CrawlSpider类简介　138

11.2　房天下二手房房源爬虫　139

11.2.1　房天下网站分析　139

11.2.2　房天下二手房房源爬虫

　实现　140

11.3　Scrapy架构　143

11.3.1　Scrapy架构概览　143

11.3.2　Scrapy中的数据流　144

11.4　本章小结及要求　145

第12章　Scrapy应对反爬虫

　策略　146

12.1　常用的反爬虫设置　146

12.2　下载器中间件　148

12.2.1　下载器中间件简介　148

12.2.2　激活下载器中间件　149

12.2.3　编写下载器中间件　150

12.3　设置随机用户代理和IP代理　150

12.3.1　设置随机用户代理　150

12.3.2　设置随机IP代理　152

12.4　本章小结及要求　153

第13章　登录网站和提交数据　154

13.1　Cookies登录网站的高级技巧　154

13.1.1　Request对象　154

13.1.2　利用Cookies登录网站的

　技巧　155

13.2　使用FormRequest向网站提交

　数据　157

13.2.1　FormRequest类　157

13.2.2　爬取Q房网二手房房源　158

13.3　Scrapy登录网站的高级技巧　159

13.3.1　FormRequest.from_response()

　方法　159

13.3.2　利用Scrapy登录网站的

　技巧　160

13.4　本章小结及要求　161

第14章　存储数据到数据库　162

14.1　MongoDB的安装与使用　162

14.1.1　Scrapy存储数据与

　MongoDB简介　162

14.1.2　MongoDB的安装　162

14.1.3　MongoDB的配置与启动　163

14.1.4　MongoDB的可视化管理　164

14.2　爬取链家经纪人成交数据　165

14.2.1　链家移动页面分析　165

14.2.2　定义Items、编写spider　168

14.3　设置链家网爬虫pipeline　171

14.3.1　在Python中操作

　MongoDB　171

14.3.2　配置pipeline　174

14.3.3　在settings中启用pipeline　175

14.4　存储数据到MySQL　175

14.4.1　使用pymysql操作MySQL

　数据库　175

14.4.2　把链家经纪人成交数据存储

　到MySQL数据库　176

14.5　本章小结及要求　177

第15章　分布式爬虫与爬虫部署　178

15.1　分布式爬虫原理与Redis的

　安装　178

15.1.1　Scrapy分布式爬虫原理　178

15.1.2　Redis的安装　179

15.2　scrapy_redis实现分布式爬虫　181

15.2.1　scrapy_redis库　181

15.2.2　分布式爬虫的部署和存储　182

15.3　使用Scrapyd部署爬虫　183

15.3.1　Scrapyd简介和安装　183

15.3.2　使用scrapyd-client部署

　爬虫　185

15.4　Scrapy爬虫去重　187

15.4.1　Scrapy去重方案　187

15.4.2　Bloom Filter过滤　188

15.5　本章小结及要求　189

第16章　项目实战——知乎用户

　爬虫及数据分析　190

16.1　知乎用户爬虫——知乎网站

　分析　190



16.1.1　知乎网站初步分析　190

16.1.2　知乎网站进一步分析　192

16.2　知乎爬虫的实现　194

16.2.1　编写知乎爬虫代码　194

16.2.2　使用MongoDB和scrapy_redis

　搭建分布式爬虫　196

16.3　爬虫数据分析　197

16.3.1　爬虫数据分析工具　197

16.3.2　知乎用户数据加载　199

16.3.3　爬虫数据简单分析　200

16.4　本章小结及要求　206