第 1章 認識網絡爬蟲　001
1.1　什么是網絡爬蟲　001
1.2　網絡爬蟲的應用場景　002
1.3　網絡爬蟲合法性探究　003
1.3.1　Robots協議　003
1.3.2　防爬蟲應對策略　005
1.4　網絡爬蟲的工作原理和流程　006
1.4.1　網絡爬蟲的工作原理　006
1.4.2　網絡爬蟲抓取網頁的流程　008
1.5　網絡爬蟲實現技術探究　009
1.5.1　網絡爬蟲的實現技術　009
1.5.2　Python實現網絡爬蟲的流程　010
1.6　本章小結　011
1.7　習題　011
第　2章 網頁請求原理　013
2.1　瀏覽器加載網頁的過程　013
2.2　HTTP基礎　014
2.2.1　URL簡介　014
2.2.2　HTTP和HTTPS　015
2.2.3　HTTP請求格式　016
2.2.4　HTTP響應格式　017
2.3　網頁基礎　019
2.3.1　網頁開發技術　019
2.3.2　網頁的結構　021
2.3.3　網頁的分類　022
2.3.4　網頁數據的格式　024
2.4　HTTP抓包工具——Fiddler　026
2.4.1　Fiddler的工作原理　026
2.4.2　Fiddler的下載與安裝　027
2.4.3　Fiddler界面詳解　029
2.4.4　Fiddler捕獲HTTPS頁面的設置　032
2.4.5　Fiddler的基本使用　039
2.5　本章小結　041
2.6　習題　041
第3章　抓取靜態網頁數據　043
3.1　抓取靜態網頁的技術　043
3.2　發送基本請求　044
3.2.1　發送GET請求　044
3.2.2　發送POST請求　046
3.2.3　處理響應　047
3.3　處理復雜請求　049
3.3.1　定制請求頭　049
3.3.2　驗證Cookie　051
3.3.3　保持會話　052
3.3.4　SSL證書驗證　053
3.4　設置代理服務器　054
3.4.1　代理服務器簡介　054
3.4.2　設置代理服務器　055
3.4.3　檢測代理IP的有效性　056
3.5　處理異常　057
3.6　實踐項目：抓取黑馬程序員論壇的數據　059
【項目目標】　059
【項目分析】　060
【項目實現】　061
3.7　本章小結　063
3.8　習題　063
第4章　解析網頁數據　065
4.1　解析網頁數據的技術　065
4.2　正則表達式與re模塊　066
4.2.1　正則表達式的語法　066
4.2.2　re模塊的使用　068
4.3　XPath與lxml庫　069
4.3.1　XPath簡介　069
4.3.2　XPath語法　070
4.3.3　XPath開發工具　073
4.3.4　lxml庫簡介　075
4.4　Beautiful Soup庫　077
4.4.1　Beautiful Soup簡介　077
4.4.2　創建BeautifulSoup類的對象　078
4.4.3　通過查找方法選取節點　080
4.4.4　通過CSS選擇器選取節點　081
4.5　JSONPath與jsonpath模塊　083
4.5.1　JSONPath語法　083
4.5.2　jsonpath模塊的使用　085
4.6　實踐項目：采集黑馬程序員論壇的帖子　088
【項目目標】　088
【項目分析】　089
【項目實現】　090
4.7　本章小結　093
4.8　習題　093
第5章　抓取動態網頁數據　095
5.1　抓取動態網頁的技術　095
5.2　Selenium和WebDriver的安裝與配置　096
5.3　Selenium的基本使用　099
5.3.1　WebDriver類的常用屬性和方法　100
5.3.2　定位元素　102
5.3.3　鼠標操作　105
5.3.4　下拉列表框操作　107
5.3.5　彈出框處理　108
5.3.6　頁面切換　110
5.3.7　頁面等待　111
5.4　實踐項目：采集集信達平臺的短信服務日志信息　114
【項目目標】　114
【項目分析】　116
【項目實現】　119
5.5　本章小結　122
5.6　習題　123
第6章　提升網絡爬蟲速度　125
6.1　網絡爬蟲速度提升方案　125
6.2　多線程爬蟲　126
6.2.1　多線程爬蟲流程分析　126
6.2.2　多線程爬蟲實現技術　127
6.2.3　多線程爬蟲基本示例　130
6.2.4　多線程爬蟲性能分析　133
6.3　協程爬蟲　134
6.3.1　協程爬蟲流程分析　134
6.3.2　協程爬蟲實現技術　135
6.3.3　協程爬蟲基本示例　137
6.3.4　協程爬蟲性能分析　138
6.4　實踐項目：采集黑馬頭條的評論列表　139
【項目目標】　139
【項目分析】　140
【項目實現】　141
6.5　本章小結　144
6.6　習題　144
第7章　存儲數據　146
7.1　數據存儲的方式　146
7.2　存儲至MongoDB數據庫　147
7.2.1　下載與安裝MongoDB　147
7.2.2　使用Python操作MongoDB　151
7.3　存儲至Redis數據庫　154
7.3.1　下載與安裝Redis　154
7.3.2　使用Python操作Redis　157
7.3.3　Redis桌面管理工具　159
7.4　實踐項目：采集小兔鮮兒網的商品信息　162
【項目目標】　162
【項目分析】　164
【項目實現】　167
7.5　本章小結　170
7.6　習題　170
第8章　驗證碼識別　172
8.1　驗證碼識別　172
8.1.1　字符驗證碼的識別　172
8.1.2　滑動拼圖驗證碼的識別　181
8.1.3　點選驗證碼的識別　181
8.2　實踐項目：登錄黑馬頭條后臺管理系統　188
【項目目標】　188
【項目分析】　189
【項目實現】　191
8.3　本章小結　197
8.4　習題　197
第9章　初識網絡爬蟲框架Scrapy　199
9.1　Scrapy框架簡介　199
9.2　Scrapy框架架構　200
9.3　Scrapy框架運作流程　201
9.4　Scrapy框架安裝　203
9.5　Scrapy框架基本操作　205
9.5.1　新建Scrapy項目　205
9.5.2　明確采集目標　206
9.5.3　制作爬蟲　207
9.5.4　永久存儲數據　212
9.6　實踐項目：采集黑馬程序員視頻庫的視頻信息　213
【項目目標】　213
【項目分析】　213
【項目實現】　214
9.7　本章小結　216
9.8　習題　216
第　10章 Scrapy核心組件與CrawlSpider類　219
10.1　Spiders組件　219
10.2　Item Pipeline組件　220
10.3　Downloader Middlewares組件　222
10.3.1　內置下載中間件　223
10.3.2　自定義下載中間件　223
10.3.3　激活下載中間件　225
10.4　Settings組件　225
10.5　CrawlSpider類　227
10.5.1　CrawlSpider類簡介　227
10.5.2　CrawlSpider類的工作原理　229
10.5.3　通過Rule類決定抓取規則　230
10.5.4　通過LinkExtractor類提取鏈接　231
10.6　實踐項目：采集暢購商城的華為手表信息　232
【項目目標】　233
【項目分析】　233
【項目實現】　234
10.7　本章小結　236
10.8　習題　236
第　11章 分布式網絡爬蟲Scrapy-Redis　238
11.1　分布式網絡爬蟲簡介　238
11.2　Scrapy-Redis架構　240
11.3　Scrapy-Redis運作流程　242
11.4　Scrapy-Redis開發準備　242
11.4.1　安裝Scrapy-Redis　242
11.4.2　修改配置文件　243
11.4.3　測試遠程連接　244
11.5　Scrapy-Redis的基本操作　246
11.5.1　新建Scrapy-Redis項目　246
11.5.2　明確采集目標　247
11.5.3　制作爬蟲　248
11.5.4　運行爬蟲　249
11.5.5　使用管道存儲數據　250
11.6　實踐項目：使用RedisCrawlSpider采集暢購商城的華為手表信息　252
【項目目標】　252
【項目分析】　252
【項目實現】　252
11.7　本章小結　257
11.8　習題　257