第 1章　網絡爬蟲簡介 1
1.1　網絡爬蟲何時有用　1
1.2　網絡爬蟲是否合法　2
1.3　Python 3　3
1.4　背景調研　4
1.4.1　檢查robots.txt　4
1.4.2　檢查網站地圖　5
1.4.3　估算網站大小　6
1.4.4　識別網站所用技術　7
1.4.5　尋找網站所有者　9
1.5　編寫第 一個網絡爬蟲　11
1.5.1　抓取與爬取的對比　11
1.5.2　下載網頁　12
1.5.3　網站地圖爬蟲　15
1.5.4　ID遍歷爬蟲　17
1.5.5　鏈接爬蟲　19
1.5.6　使用requests庫　28
1.6　本章小結　30
第　2章 數據抓取　31
2.1　分析網頁　32
2.2　3種網頁抓取方法　34
2.2.1　正則表達式　35
2.2.2　Beautiful Soup　37
2.2.3　Lxml　39
2.3　CSS選擇器和瀏覽器控制臺　41
2.4　XPath選擇器　43
2.5　LXML和家族樹　46
2.6　性能對比　47
2.7　抓取結果　49
2.7.1　抓取總結　50
2.7.2　為鏈接爬蟲添加抓取回調　51
2.8　本章小結　55
第3章　下載緩存　56
3.1　何時使用緩存　57
3.2　為鏈接爬蟲添加緩存支持　57
3.3　磁盤緩存　60
3.3.1　實現磁盤緩存　62
3.3.2　緩存測試　64
3.3.3　節省磁盤空間　65
3.3.4　清理過期數據　66
3.3.5　磁盤緩存缺點　68
3.4　鍵值對存儲緩存　69
3.4.1　鍵值對存儲是什么　69
3.4.2　安裝Redis　70
3.4.3　Redis概述　71
3.4.4　Redis緩存實現　72
3.4.5　壓縮　74
3.4.6　測試緩存　75
3.4.7　探索requests-cache　76
3.5　本章小結　78
第4章　并發下載　79
4.1　100萬個網頁　79
4.2　串行爬蟲　82
4.3　多線程爬蟲　83
4.4　線程和進程如何工作　83
4.4.1　實現多線程爬蟲　84
4.4.2　多進程爬蟲　87
4.5　性能　91
4.6　本章小結　94
第5章　動態內容　95
5.1　動態網頁示例　95
5.2　對動態網頁進行逆向工程　98
5.3　渲染動態網頁　104
5.3.1　PyQt還是PySide　105
5.3.2　執行JavaScript　106
5.3.3　使用WebKit與網站交互　108
5.4　渲染類　111
5.5　本章小結　117
第6章　表單交互　119
6.1　登錄表單　120
6.2　支持內容更新的登錄腳本擴展　128
6.3　使用Selenium實現自動化表單處理　132
6.4　本章小結　135
第7章　驗證碼處理　136
7.1　注冊賬號　137
7.2　光學字符識別　140
7.3　處理復雜驗證碼　144
7.4　使用驗證碼處理服務　144
7.4.1　9kw入門　145
7.4.2　報告錯誤　150
7.4.3　與注冊功能集成　151
7.5　驗證碼與機器學習　153
7.6　本章小結　153
第8章　Scrapy　154
8.1　安裝Scrapy　154
8.2　啟動項目　155
8.2.1　定義模型　156
8.2.2　創建爬蟲　157
8.3　不同的爬蟲類型　162
8.4　使用shell命令抓取　163
8.4.1　檢查結果　165
8.4.2　中斷與恢復爬蟲　167
8.5　使用Portia編寫可視化爬蟲　170
8.5.1　安裝　170
8.5.2　標注　172
8.5.3　運行爬蟲　176
8.5.4　檢查結果　176
8.6　使用Scrapely實現自動化抓取　177
8.7　本章小結　178
第9章　綜合應用　179
9.1　Google搜索引擎　179
9.2　Facebook　184
9.2.1　網站　184
9.2.2　Facebook API　186
9.3　Gap　188
9.4　寶馬　192
9.5　本章小結　196