从爬虫软件开发到自己动手开发爬虫框架
从原理到实践，深入浅出，热门爬虫核心技术全掌握
涵盖丰富的爬虫工具、库、框架，十余个实战项目
资深爬虫工程师倾力奉献，入门、进阶、求职必备
本书从原理到实践，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，包括网站分析、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抓包工具对网站做全面分析；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BeautifulSoup的使用；数据入库讲述了MySQL和MongoDB的操作，通过ORM框架SQLAlchemy实现数据持久化，进行企业级开发。实战篇深入讲解了分布式爬虫、爬虫软件的开发、12306抢票程序和微博爬取等。框架篇主要讲述流行的爬虫框架Scrapy，并以Scrapy与Selenium、Splash、Redis结合的项目案例，让读者深层次了解Scrapy的使用。此外，本书还介绍了爬虫的上线部署、如何自己动手开发一款爬虫框架、反爬虫技术的解决方案等内容。
本书使用Python 3.X编写，技术先进，项目丰富，适合欲从事爬虫工程师和数据分析师岗位的初学者、大学生和研究生使用，也很适合有一些网络爬虫编写经验，但希望更加全面、深入理解Python爬虫的开发人员使用。
目 录
第1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 2
1.4 爬虫的搜索策略 4
1.5 爬虫的合法性与开发流程 5
1.6 本章小结 6
第2章 爬虫开发基础 7
2.1 HTTP与HTTPS 7
2.2 请求头 9
2.3 Cookies 10
2.4 HTML 11
2.5 JavaScript 12
2.6 JSON 14
2.7 Ajax 14
2.8 本章小结 15
第3章 Chrome分析网站 16
3.1 Chrome开发工具 16
3.2 Elements标签 17
3.3 Network标签 18
3.4 分析QQ音乐 20
3.5 本章小结 23
第4章 Fiddler抓包 24
4.1 Fiddler介绍 24
4.2 Fiddler安装配置 24
4.3 Fiddler抓取手机应用 26
4.4 Toolbar工具栏 29
4.5 Web Session列表 30
4.6 View选项视图 32
4.7 Quickexec命令行 33
4.8 本章小结 34
第5章 爬虫库Urllib 35
5.1 Urllib简介 35
5.2 发送请求 36
5.3 复杂的请求 37
5.4 代理IP 38
5.5 使用Cookies 39
5.6 证书验证 40
5.7 数据处理 41
5.8 本章小结 42
第6章 爬虫库Requests 43
6.1 Requests简介及安装 43
6.2 请求方式 44
6.3 复杂的请求方式 45
6.4 下载与上传 47
6.5 本章小结 49
第7章 Requests-Cache爬虫缓存 50
7.1 简介及安装 50
7.2 在Requests中使用缓存 50
7.3 缓存的存储机制 53
7.4 本章小结 54
第8章 爬虫库Requests-HTML 55
8.1 简介及安装 55
8.2 请求方式 56
8.3 数据清洗 56
8.4 Ajax动态数据抓取 59
8.5 本章小结 61
第9章 网页操控与数据爬取 62
9.1 了解Selenium 62
9.2 安装Selenium 63
9.3 网页元素定位 66
9.4 网页元素操控 70
9.5 常用功能 73
9.6 实战：百度自动答题 80
9.7 本章小结 85
第10章 手机App数据爬取 86
10.1 Appium简介及原理 86
10.2 搭建开发环境 87
10.3 连接Android系统 92
10.4 App的元素定位 97
10.5 App的元素操控 99
10.6 实战：淘宝商品采集 102
10.7 本章小结 107
第11章 Splash、Mitmproxy与Aiohttp 109
11.1 Splash动态数据抓取 109
11.1.1 简介及安装 109
11.1.2 使用Splash的API接口 112
11.2 Mitmproxy抓包 116
11.2.1 简介及安装 116
11.2.2 用Mitmdump抓取爱奇艺视频 116
11.3 Aiohttp高并发抓取 119
11.3.1 简介及使用 119
11.3.2 Aiohttp异步爬取小说排行榜 123
11.4 本章小结 126
第12章 验证码识别 128
12.1 验证码的类型 128
12.2 OCR技术 129
12.3 第三方平台 131
12.4 本章小结 134
第13章 数据清洗 136
13.1 字符串操作 136
13.1.1 截取 136
13.1.2 替换 137
13.1.3 查找 137
13.1.4 分割 138
13.2 正则表达式 139
13.2.1 正则语法 140
13.2.2 正则处理函数 141
13.3 BeautifulSoup数据清洗 144
13.3.1 BeautifulSoup介绍与安装 144
13.3.2 BeautifulSoup的使用示例 146
13.4 本章小结 149
第14章 文档数据存储 150
14.1 CSV数据的写入和读取 150
14.2 Excel数据的写入和读取 151
14.3 Word数据的写入和读取 154
14.4 本章小结 156
第15章 ORM框架 158
15.1 SQLAlchemy介绍与安装 158
15.1.1 操作数据库的方法 158
15.1.2 SQLAlchemy框架介绍 158
15.1.3 SQLAlchemy的安装 159
15.2 连接数据库 160
15.3 创建数据表 162
15.4 添加数据 164
15.5 更新数据 165
15.6 查询数据 166
15.7 本章小结 168
第16章 MongoDB数据库操作 169
16.1 MongoDB介绍 169
16.2 MogoDB的安装及使用 170
16.2.1 MongoDB的安装与配置 170
16.2.2 MongoDB可视化工具 172
16.2.3 PyMongo的安装 173
16.3 连接MongoDB数据库 173
16.4 添加文档 174
16.5 更新文档 175
16.6 查询文档 176
16.7 本章小结 178
第17章 实战：爬取51Job招聘信息 180
17.1 项目分析 180
17.2 获取城市编号 180
17.3 获取招聘职位总页数 182
17.4 爬取每个职位信息 184
17.5 数据存储 188
17.6 爬虫配置文件 190
17.7 本章小结 191
第18章 实战：分布式爬虫——QQ音乐 193
18.1 项目分析 193
18.2 歌曲下载 194
18.3 歌手的歌曲信息 198
18.4 分类歌手列表 201
18.5 全站歌手列表 203
18.6 数据存储 204
18.7 分布式爬虫 205
18.7.1 分布式概念 205
18.7.2 并发库concurrent.futures 206
18.7.3 分布式策略 207
18.8 本章小结 209
第19章 实战：12306抢票爬虫 211
19.1 项目分析 211
19.2 验证码验证 211
19.3 用户登录与验证 214
19.4 查询车次 219
19.5 预订车票 225
19.6 提交订单 227
19.7 生成订单 233
19.8 本章小结 236
第20章 实战：玩转微博 244
20.1 项目分析 244
20.2 用户登录 244
20.3 用户登录（带验证码） 253
20.4 关键词搜索热门微博 259
20.5 发布微博 264
20.6 关注用户 268
20.7 点赞和转发评论 271
20.8 本章小结 277
第21章 实战：微博爬虫软件开发 278
21.1 GUI库及PyQt5的安装与配置 278
21.1.1 GUI库 278
21.1.2 PyQt5安装及环境搭建 279
21.2 项目分析 281
21.3 软件主界面 284
21.4 相关服务界面 288
21.5 微博采集界面 292
21.6 微博发布界面 297
21.7 微博爬虫功能 308
21.8 本章小结 315
第22章 Scrapy爬虫开发 317
22.1 认识与安装Scrapy 317
22.1.1 常见爬虫框架介绍 317
22.1.2 Scrapy的运行机制 318
22.1.3 安装Scrapy 319
22.2 Scrapy爬虫开发示例 320
22.3 Spider的编写 326
22.4 Items的编写 329
22.5 Item Pipeline的编写 330
22.5.1 用MongoDB实现数据入库 330
22.5.2 用SQLAlchemy实现数据入库 332
22.6 Selectors的编写 333
22.7 文件下载 336
22.8 本章小结 339
第23章 Scrapy扩展开发 341
23.1 剖析Scrapy中间件 341
23.1.1 SpiderMiddleware中间件 342
23.1.2 DownloaderMiddleware中间件 344
23.2 自定义中间件 347
23.2.1 设置代理IP服务 347
23.2.2 动态设置请求头 350
23.2.3 设置随机Cookies 353
23.3 实战：Scrapy+Selenium爬取豆瓣电影评论 355
23.3.1 网站分析 355
23.3.2 项目设计与实现 357
23.3.3 定义Selenium中间件 359
23.3.4 开发Spider程序 360
23.4 实战：Scrapy+Splash爬取B站动漫信息 362
23.4.1 Scrapy_Splash实现原理 363
23.4.2 网站分析 363
23.4.3 项目设计与实现 365
23.4.4 开发Spider程序 367
23.5 实战：Scrapy+Redis分布式爬取猫眼排行榜 369
23.5.1 Scrapy_Redis实现原理 369
23.5.2 安装Redis数据库 371
23.5.3 网站分析 372
23.5.4 项目设计与实现 373
23.5.5 开发Spider程序 375
23.6 分布式爬虫与增量式爬虫 377
23.6.1 基于管道实现增量式 378
23.6.2 基于中间件实现增量式 381
23.7 本章小结 384
第24章 实战：爬取链家楼盘信息 386
24.1 项目分析 386
24.2 创建项目 389
24.3 项目配置 389
24.4 定义存储字段 391
24.5 定义管道类 392
24.6 编写爬虫规则 396
24.7 本章小结 400
第25章 实战：QQ音乐全站爬取 402
25.1 项目分析 402
25.2 项目创建与配置 403
25.2.1 项目创建 403
25.2.2 项目配置 403
25.3 定义存储字段和管道类 405
25.3.1 定义存储字段 405
25.3.2 定义管道类 405
25.4 编写爬虫规则 408
25.5 本章小结 413
