前言　　xi
第一部分　创建爬虫
第1章　初见网络爬虫　　3
1.1　网络连接　　3
1.2　BeautifulSoup 简介　　5
1.2.1　安装BeautifulSoup　　6
1.2.2　运行BeautifulSoup　　8
1.2.3　可靠的网络连接以及异常的处理　　9
第2章　复杂HTML 解析　　13
2.1　不是一直都要用锤子　　13
2.2　再端一碗BeautifulSoup　　14
2.2.1　BeautifulSoup 的find() 和find_all()　　16
2.2.2　其他BeautifulSoup 对象　　18
2.2.3　导航树　　18
2.3　正则表达式　　22
2.4　正则表达式和BeautifulSoup　　25
2.5　获取属性　　26
2.6　Lambda 表达式　　26
第3章　编写网络爬虫　　28
3.1　遍历单个域名　　28
3.2　抓取整个网站　　32
3.3　在互联网上抓取　　36
第4章　网络爬虫模型　　41
4.1　规划和定义对象　　41
4.2　处理不同的网站布局　　45
4.3　结构化爬虫　　49
4.3.1　通过搜索抓取网站　　49
4.3.2　通过链接抓取网站　　52
4.3.3　抓取多种类型的页面　　54
4.4　关于网络爬虫模型的思考　　55
第5章　Scrapy　　57
5.1　安装Scrapy　　57
5.2　创建一个简易爬虫　　59
5.3　带规则的抓取　　60
5.4　创建item　　64
5.5　输出item　　66
5.6　item 管线组件　　66
5.7　Scrapy 日志管理　　69
5.8　更多资源　　70
第6章　存储数据　　71
6.1　媒体文件　　71
6.2　把数据存储到CSV　　74
6.3　MySQL　　75
6.3.1　安装MySQL　　76
6.3.2　基本命令　　78
6.3.3　与Python 整合　　81
6.3.4　数据库技术与最佳实践　　84
6.3.5　MySQL 里的“六度空间游戏”　　86
6.4　Email　　88
第二部分　高级网页抓取
第7章　读取文档　　93
7.1　文档编码　　93
7.2　纯文本　　94
7.3　CSV　　98
7.4　PDF　　100
7.5　微软Word 和.docx　　102
第8章　数据清洗　　106
8.1　编写代码清洗数据　　106
8.2　数据存储后再清洗　　 111
第9章　自然语言处理　　115
9.1　概括数据　　116
9.2　马尔可夫模型　　119
9.3　自然语言工具包　　124
9.3.1　安装与设置　　125
9.3.2　用NLTK 做统计分析　　126
9.3.3　用NLTK 做词性分析　　128
9.4　其他资源　　131
第10章　穿越网页表单与登录窗口进行抓取　　132
10.1　Python Requests 库　　132
10.2　提交一个基本表单　　133
10.3　单选按钮、复选框和其他输入　　134
10.4　提交文件和图像　　136
10.5　处理登录和cookie　　136
10.6　其他表单问题　　139
第11章　抓取JavaScript　　140
11.1　JavaScript 简介　　140
11.2　Ajax 和动态HTML　　143
11.2.1　在Python 中用Selenium 执行JavaScript　　144
11.2.2　Selenium 的其他webdriver　　149
11.3　处理重定向　　150
11.4　关于JavaScript 的最后提醒　　151
第12章　利用API 抓取数据　　152
12.1　API 概述　　152
12.1.1　HTTP 方法和API　　154
12.1.2　更多关于API 响应的介绍　　155
12.2　解析JSON 数据　　156
12.3　无文档的API　　157
12.3.1　查找无文档的API　　159
12.3.2　记录未被记录的API　　160
12.3.3　自动查找和记录API　　160
12.4　API 与其他数据源结合　　163
12.5　再说一点API　　165
第13章　图像识别与文字处理　　167
13.1　OCR 库概述　　168
13.1.1　Pillow　　168
13.1.2　Tesseract　　168
13.1.3　NumPy　　170
13.2　处理格式规范的文字　　171
13.2.1　自动调整图像　　173
13.2.2　从网站图片中抓取文字　　176
13.3　读取验证码与训练Tesseract　　178
13.4　获取验证码并提交答案　　183
第14章　避开抓取陷阱　　186
14.1　道德规范　　186
14.2　让网络机器人看着像人类用户　　187
14.2.1　修改请求头　　187
14.2.2　用JavaScript 处理cookie　　189
14.2.3　时间就是一切　　191
14.3　常见表单安全措施　　191
14.3.1　隐含输入字段值　　192
14.3.2　避免蜜罐　　192
14.4　问题检查表　　194
第15章　用爬虫测试网站　　196
15.1　测试简介　　196
15.2　Python 单元测试　　197
15.3　Selenium 单元测试　　201
15.4　单元测试与Selenium 单元测试的选择　　205
第16章　并行网页抓取　　206
16.1　进程与线程　　206
16.2　多线程抓取　　207
16.2.1　竞争条件与队列　　209
16.2.2　threading 模块　　212
16.3　多进程抓取　　214
16.3.1　多进程抓取　　216
16.3.2　进程间通信　　217
16.4　多进程抓取的另一种方法　　219
第17章　远程抓取　　221
17.1　为什么要用远程服务器　　221
17.1.1　避免IP 地址被封杀　　221
17.1.2　移植性与扩展性　　222
17.2　Tor 代理服务器　　223
17.3　远程主机　　224
17.3.1　从网站主机运行　　225
17.3.2　从云主机运行　　225
17.4　其他资源　　227
第18章　网页抓取的法律与道德约束　　228
18.1　商标、版权、专利　　228
18.2　侵害动产　　230
18.3　计算机欺诈与滥用法　　232
18.4　robots.txt 和服务协议　　233
18.5　3 个网络爬虫　　236
18.5.1　eBay 起诉Bidder’s Edge 侵害其动产　　236
18.5.2　美国政府起诉Auernheimer 与《计算机欺诈与滥用法》　　237
18.5.3　Field 起诉Google：版权和robots.txt　　239
18.6　勇往直前　　239
关于作者　　241
关于封面　　241