玩转Python网络爬虫

　　本书站在初学者的角度，从原理到实践，循序渐进地讲述了使用Python开发网络爬虫的核心技术。全书从逻辑上可分为基础篇、实战篇和爬虫框架篇三部分。基础篇主要介绍了编写网络爬虫所需的基础知识，分别是网站分析、数据抓取、数据清洗和数据入库。网站分析讲述如何使用Chrome和Fiddler抓包工具对网络做全面分析；数据抓取介绍了Python爬虫模块Urllib和Requests的基础知识；数据清洗主要介绍字符串操作、正则和Beautiful Soup的使用；数据入库分别讲述了MySQL和MongoDB的操作，通过ORM框架SQLAlchemy实现数据持久化，实现企业级开发。实战篇深入讲解了分布式爬虫、爬虫软件开发与应用、12306抢票程序和微博爬取，所举示例均来自于开发实践，可帮助读者快速提升技能，开发实际项目。框架篇主要讲述Scrapy的基础知识，并通过爬取QQ音乐为实例，让读者深层次了解Scrapy的使用。 本书内容丰富，注重实战，适用于从零开始学习网络爬虫的初学者，或者是已经有一些网络爬虫编写经验，但希望更加全面、深入理解Python爬虫的开发人员。

　　黄永祥

目    录

壹章?理解网络爬虫 1

1.1  爬虫的定义 1

1.2  爬虫的类型 2

1.3  爬虫的原理 3

1.4  爬虫的搜索策略 5

1.5  反爬虫技术及解决方案 6

1.6  本章小结 8

2章?爬虫开发基础 9

2.1  HTTP与HTTPS 9

2.2  请求头 11

2.3  Cookies 13

2.4  HTML 14

2.5   16

2.6  JSON 18

2.7  Ajax 19

2.8  本章小结 20

3章?Chrome分析网站 21

3.1  Chrome开发工具 21

3.2  Elements标签 22

3.3  Network标签 23

3.4  分析QQ音乐 27

3.5  本章小结 29

4章?Fiddler抓包工具 30

4.1  Fiddler介绍 30

4.2  Fiddler安装配置 31

4.3  Fiddler抓取手机应用 33

4.4  Toolbar工具栏 36

4.5  Web Session列表 37

4.6  View选项视图 40

4.7  Quickexec命令行 41

4.8  本章小结 42

5章?Urllib数据抓取 43

5.1  Urllib简介 43

5.2  发送请求 44

5.3  复杂的请求 46

5.4  代理IP 47

5.5  使用Cookies 48

5.6  证书验证 50

5.7  数据处理 51

5.8  本章小结 52

6章?Requests数据抓取 54

6.1  Requests简介及安装 54

6.2  请求方式 55

6.3  复杂的请求方式 57

6.4  下载与上传 60

6.5  本章小结 63

7章?验证码识别 64

7.1  验证码类型 64

7.2  OCR技术 66

7.3  三方平台 69

7.4  本章小结 72

8章?数据清洗 74

8.1  字符串操作 74

8.2  正则表达式 78

8.3  Beautiful Soup介绍及安装 84

8.4  Beautiful Soup的使用 86

8.5  本章小结 90

9章?文档数据存储 92

9.1  CSV数据写入和读取 92

9.2  Excel数据写入和读取 94

9.3  Word数据写入和读取 99

9.4  本章小结 101

壹0章?ORM框架 104

10.1  SQLAlchemy介绍 104

10.2  安装SQLAlchemy 105

10.3  连接数据库 106

10.4  创建数据表 108

10.5  添加数据 111

10.6  更新数据 112

10.7  查询数据 114

10.8  本章小结 116

壹1章?MongoDB数据库操作 118

11.1  MongoDB介绍 118

11.2  安装及使用 120

11.2.1  MongoDB 120

11.2.2  MongoDB可视化工具 121

11.2.3  PyMongo 123

11.3  连接数据库 123

11.4  添加文档 125

11.5  更新文档 126

11.6  查询文档 127

11.7  本章小结 130

壹2章?项目实战：爬取淘宝商品信息 131

12.1  分析说明 131

12.2  功能实现 134

12.3  数据存储 136

12.4  本章小结 138

壹3章?项目实战：分布式爬虫——QQ音乐 139

13.1  分析说明 139

13.2  歌曲下载 140

13.3  歌手和歌曲信息 145

13.4  分类歌手列表 148

13.5  全站歌手列表 150

13.6  数据存储 152

13.7  分布式概念 154

13.7.1  GIL是什么 154

13.7.2  为什么会有GIL 154

13.8  并发库concurrent.futures 155

13.9  分布式爬虫 157

13.10  本章小结 159

壹4章?项目实战：爬虫软件—— 淘宝商品信息 161

14.1  分析说明 161

14.2  GUI库介绍 162

14.3  PyQt5安装及环境搭建 162

14.4  软件界面开发 165

14.5  MVC——视图 169

14.6  MVC——控制器 171

14.7  MVC——模型 172

14.8  扩展思路 173

14.9  本章小结 174

壹5章?项目实战：12306抢票 176

15.1  分析说明 176

15.2  验证码验证 177

15.3  用户登录与验证 181

15.4  查询车次 187

15.5  预订车票 193

15.6  提交订单 196

15.7  生成订单 204

15.8  本章小结 209

壹6章?项目实战：玩转微博 219

16.1  分析说明 219

16.2  用户登录 220

16.3  用户登录（带验证码） 232

16.4  关键字搜索热门微博 240

16.5  发布微博 247

16.6  关注用户 253

16.7  点赞和转发评论 257

16.8  本章小结 263

壹7章?Scrapy爬虫框架 265

17.1  爬虫框架 265

17.2  Scrapy的运行机制 267

17.3  安装Scrapy 268

17.4  爬虫开发快速入门 270

17.5  Spiders介绍 277

17.6  Spider的编写 278

17.7  Items的编写 282

17.8  Item Pipeline的编写 284

17.9  Selectors的编写 288

17.10  文件下载 291

17.11  本章小结 296

壹8章?项目实战：Scrapy爬取QQ音乐 298

18.1  分析说明 298

18.2  创建项目 299

18.3  编写setting 300

18.4  编写Items 301

18.5  编写Item Pipelines 302

18.6  编写Spider 305

18.7  本章小结 310