Python 网络爬虫技术

第 1章　Python爬虫环境与爬虫简介　1


任务1.1　认识爬虫　1


1.1.1　爬虫的概念　1


1.1.2　爬虫的原理　2


1.1.3　爬虫的合法性与robot.txt协议　4


任务1.2　认识反爬虫　4


1.2.1　网站反爬虫的目的与手段　4


1.2.2　爬取策略制定　5


任务1.3　配置Python爬虫环境　6


1.3.1　Python爬虫相关库介绍与配置　7


1.3.2　配置MySQL数据库　7


1.3.3　配置MongoDB数据库　16


小结　20


实训　Python爬虫环境配置　21


课后习题　21


第 2章　网页前端基础　23


任务2.1　认识Python网络编程　23


2.1.1　了解Python网络编程Socket库　24


2.1.2　使用Socket库进行TCP编程　26


2.1.3　使用Socket库进行UDP编程　28


任务2.2　认识HTTP　29


2.2.1　熟悉HTTP请求方法与过程　30


2.2.2　熟悉常见HTTP状态码　32


2.2.3　熟悉HTTP头部信息　33


2.2.4　熟悉Cookie　39


小结　41


实训　使用Socket库连接百度首页　41


课后习题　42


第3章　简单静态网页爬取　43


任务3.1　实现HTTP请求　43


3.1.1　使用urllib 3库实现　44


3.1.2　使用Requests库实现　47


任务3.2　解析网页　52


3.2.1　使用Chrome开发者工具查看网页　52


3.2.2　使用正则表达式解析网页　58


3.2.3　使用Xpath解析网页　61


3.2.4　使用Beautiful Soup库解析网页　66


任务3.3　数据存储　74


3.3.1　将数据存储为JSON文件　74


3.3.2　将数据存储到MySQL数据库　75


小结　78


实训　79


实训1　生成GET请求并获取指定网页内容　79


实训2　搜索目标节点并提取文本内容　79


实训3　在数据库中建立新表并导入数据　80


课后习题　80


第4章　常规动态网页爬取　82


任务4.1　逆向分析爬取动态网页　82


4.1.1　了解静态网页和动态网页的区别　82


4.1.2　逆向分析爬取动态网页　85


任务4.2　使用Selenium库爬取动态网页　88


4.2.1　安装Selenium库及下载浏览器补丁　88


4.2.2　打开浏览对象并访问页面　89


4.2.3　页面等待　90


4.2.4　页面操作　91


4.2.5　元素选取　93


4.2.6　预期条件　96


任务4.3　存储数据至MongoDB数据库　98


4.3.1　了解MongoDB数据库和MySQL数据库的区别　99


4.3.2　将数据存储到MongoDB数据库　100


小结　103


实训　103


实训1　爬取网页“http://www.ptpress. com.cn”的推荐图书信息　103


实训2　爬取某网页的Java图书信息　104


实训3　将数据存储到MongoDB数据库中　104


课后习题　104


第5章　模拟登录　106


任务5.1　使用表单登录方法实现模拟登录　106


5.1.1　查找提交入口　106


5.1.2　查找并获取需要提交的表单数据　108


5.1.3　使用POST请求方法登录　112


任务5.2　使用Cookie登录方法实现模拟登录　114


5.2.1　使用浏览器Cookie登录　115


5.2.2　基于表单登录的Cookie登录　117


小结　119


实训　119


实训1　使用表单登录方法模拟登录数睿思论坛　119


实训2　使用浏览器Cookie模拟登录数睿思论坛　120


实训3　基于表单登录后的Cookie模拟登录数睿思论坛　120


课后习题　120


第6章　终端协议分析　122


任务6.1　分析PC客户端抓包　122


6.1.1　了解HTTP Analyzer工具　122


6.1.2　爬取千千音乐PC客户端数据　125


任务6.2　分析App抓包　126


6.2.1　了解Fiddler工具　127


6.2.2　分析人民日报App　130


小结　132


实训　133


实训1　抓取千千音乐PC客户端的推荐歌曲信息　133


实训2　爬取人民日报App的旅游模块信息　134


课后习题　134


第7章　Scrapy爬虫　135


任务7.1　认识Scarpy　135


7.1.1　了解Scrapy爬虫的框架　135


7.1.2　熟悉Scrapy的常用命令　137


任务7.2　通过Scrapy爬取文本信息　138


7.2.1　创建Scrapy爬虫项目　138


7.2.2　修改items/pipelines脚本　140


7.2.3　编写spider脚本　143


7.2.4　修改settings脚本　148


任务7.3　定制中间件　152


7.3.1　定制下载器中间件　152


7.3.2　定制Spider中间件　156


小结　157


实训　157


实训1　爬取“http://www.tipdm.org”的所有新闻动态　157


实训2　定制BdRaceNews爬虫项目的中间件　158


课后习题　158


附录A　160


附录B　163


参考文献　166