精通Scrapy网络爬虫

　　本书深入系统地介绍了Python流行框架Scrapy的相关技术及使用技巧。全书共14章，从逻辑上可分为基础篇和高级篇两部分，基础篇重点介绍Scrapy的核心元素，如spider、selector、item、link等；高级篇讲解爬虫的高级话题，如登录认证、文件下载、执行JavaScript、动态网页爬取、使用HTTP代理、分布式爬虫的编写等，并配合项目案例讲解，包括供练习使用的网站，以及*、知乎、豆瓣、360爬虫案例等。本书案例丰富，注重实践，代码注释详尽，适合有一定Python语言基础，想学习编写复杂网络爬虫的读者使用。

　　刘硕：硕士，曾就职于知名外企，从事一线开发工作10年，目前主要从事Python开发与教学工作，在慕课网开设有多门Python课程，深受学员欢迎。

第1章 初识Scrapy 1

1.1 网络爬虫是什么 1

1.2 Scrapy简介及安装 2

1.3 编写*个Scrapy爬虫 3

1.3.1 项目需求 4

1.3.2 创建项目 4

1.3.3 分析页面 5

1.3.4 实现Spider 6

1.3.5 运行爬虫 8

1.4 本章小结 11

第2章 编写Spider 12

2.1 Scrapy框架结构及工作原理 12

2.2 Request和Response对象 14

2.2.1 Request对象 15

2.2.2 Response对象 16

2.3 Spider开发流程 18

2.3.1 继承scrapy.Spider 19

2.3.2 为Spider命名 20

2.3.3 设定起始爬取点 20

2.3.4 实现页面解析函数 22

2.4 本章小结 22

第3章 使用Selector提取数据 23

3.1 Selector对象 23

3.1.1 创建对象 24

3.1.2 选中数据 25

3.1.3 提取数据 26

3.2 Response内置Selector 28

3.3 XPath 29

3.3.1 基础语法 30

3.3.2 常用函数 35

3.4 CSS选择器 36

3.5 本章小结 40

第4章 使用Item封装数据 41

4.1 Item和Field 42

4.2 拓展Item子类 44

4.3 Field元数据 44

4.4 本章小结 47

第5章 使用Item Pipeline处理数据 48

5.1 Item Pipeline 48

5.1.1 实现Item Pipeline 49

5.1.2 启用Item Pipeline 50

5.2 更多例子 51

5.2.1 过滤重复数据 51

5.2.2 将数据存入

MongoDB 54

5.3 本章小结 57

第6章 使用LinkExtractor提取链接 58

6.1 使用LinkExtractor 59

6.2 描述提取规则 60

6.3 本章小结 65

第7章 使用Exporter导出数据 66

7.1 指定如何导出数据 67

7.1.1 命令行参数 67

7.1.2 配置文件 69

7.2 添加导出数据格式 70

7.2.1 源码参考 70

7.2.2 实现Exporter 72

7.3 本章小结 74

第8章 项目练习 75

8.1 项目需求 77

8.2 页面分析 77

8.3 编码实现 83

8.4 本章小结 88

第9章 下载文件和图片 89

9.1 FilesPipeline和

ImagesPipeline 89

9.1.1 FilesPipeline使用

说明 90

9.1.2 ImagesPipeline使用

说明 91

9.2 项目实战：爬取matplotlib

例子源码文件 92

9.2.1 项目需求 92

9.2.2 页面分析 94

9.2.3 编码实现 96

9.3 项目实战：下载360图片 103

9.3.1 项目需求 104

9.3.2 页面分析 104

9.3.3 编码实现 107

9.4 本章小结 109

第10章 模拟登录 110

10.1 登录实质 110

10.2 Scrapy模拟登录 114

10.2.1 使用FormRequest 114

10.2.2 实现登录Spider 117

10.3 识别验证码 119

10.3.1 OCR识别 119

10.3.2 网络平台识别 123

10.3.3 人工识别 127

10.4 Cookie登录 128

10.4.1 获取浏览器

Cookie 128

10.4.2 CookiesMiddleware

源码分析 129

10.4.3 实现BrowserCookies-

Middleware 132

10.4.4 爬取知乎个人

信息 133

10.5 本章小结 135

第11章 爬取动态页面 136

11.1 Splash渲染引擎 140

11.1.1 render.html端点 141

11.1.2 execute端点 142

11.2 在Scrapy中使用Splash 145

11.3 项目实战：爬取toscrape

中的名人名言 146

11.3.1 项目需求 146

11.3.2 页面分析 146

11.3.3 编码实现 147

11.4 项目实战：爬取*商城

中的书籍信息 149

11.4.1 项目需求 149

11.4.2 页面分析 149

11.4.3 编码实现 152

11.5 本章小结 154

第12章 存入数据库 155

12.1 SQLite 156

12.2 MySQL 159

12.3 MongoDB 165

12.4 Redis 169

12.5 本章小结 173

第13章 使用HTTP代理 174

13.1 HttpProxyMiddleware 175

13.1.1 使用简介 175

13.1.2 源码分析 177

13.2 使用多个代理 179

13.3 获取免费代理 180

13.4 实现*代理 184

13.5 项目实战：爬取豆瓣电影

信息 187

13.5.1 项目需求 188

13.5.2 页面分析 189

13.5.3 编码实现 194

13.6 本章小结 198

第14章 分布式爬取 199

14.1 Redis的使用 200

14.1.1 安装Redis 200

14.1.2 Redis基本命令 201

14.2 scrapy-redis源码分析 206

14.2.1 分配爬取任务

部分 207

14.2.2 汇总爬取数据

部分 214

14.3 使用scrapy-redis进行分

布式爬取 217

14.3.1 搭建环境 217

14.3.2 项目实战 218

14.4 本章小结 224