PYTHON3爬虫实战:数据清洗.数据分析与可视化

**篇 基础知识 第1章　Python环境搭建 1.1 Python的安装 2 1.1.1 Windows下Python的安装 2 1.1.2 Mac OS X下Python的安装 3 1.1.3 Linux下Python的安装 3 1.1.4 安装pip工具 4 1.2 虚拟环境Virtualenv 5 1.2.1 Virtualenv的安装 5 1.2.2 创建虚拟环境 5 1.2.3 激活虚拟环境 5 1.2.4 创建指定Python版本的虚拟环境 5 1.3 选择合适的编辑器 6 1.3.1 Vim 6 1.3.2 Atom 6 1.3.3 Sublime Text 6 1.3.4 Notepad 6 1.3.5 Pycharm 6 第2章　常用爬虫库Requests 2.1 安装Requests 7 2.1.1 用pip安装 7 2.1.2 用github源码安装 7 2.1.3 用curl安装 7 2.2 了解 Requests的功能 8 2.2.1 使用GET和POST发送请求 8 2.2.2 通过URL传递参数 9 2.2.3 设置超时 9 2.2.4 查看返回内容 9 2.2.5 设置请求头 10 2.2.6 更多复杂的Post请求 10 2.2.7 返回对象状态码 12 2.2.8 设置代理IP 13 2.3 BeautifulSoup的安装和使用 14 2.3.1 使用pip安装BeautifulSoup 14 2.3.2 使用BeautifulSoup定位元素 14 2.4 初识自动化测试工具Selenium 15 2.4.1 Selenium安装 15 2.4.2 使用Selnium爬取网站 15 2.5 Selenium定位元素 16 2.5.1 通过属性定位 17 2.5.2 通过xpath定位 17 2.6 Selenium反爬设置 18 2.6.1 设置请求头 18 2.6.2 设置代理IP 19 第3章　常用爬虫框架Scrapy 3.1 认识Scrapy 21 3.1.1 Scrapy爬取quotes简单示例 21 3.1.2 安装所需依赖包 23 3.1.3 使用虚拟环境 23 3.2 Scrapy shell的使用 24 3.2.1 运行shell 24 3.2.2 使用Scrapy shell爬取Scrapy.org 24 3.2.3 爬虫调用shell 26 3.3 使用Scrapy爬取quotes 26 3.3.1 创建Scrapy项目并新建爬虫 27 3.3.2 爬取和提取数据 27 3.3.3 通过脚本运行Scrapy爬虫 29 3.3.4 在同一进程下运行多个爬虫 29 3.3.5 简易的分布式爬虫思路 30 3.3.6 防止爬虫被ban 31 3.4 setting基本配置 31 3.5 Pipeline模块 32 3.5.1 爬取文字板块 32 3.5.2 编写Pipeline模块 35 3.5.3 通过Pipeline将数据写入MongoDB数据库 36 3.5.4 ImagesPipeline处理图片 37 3.5.5 FilePipeline下载文件 40 3.6 Middleware中间件 41 3.6.1 Downloader Middleware 41 3.6.2 随机请求头中间件 42 3.6.3 更换代理IP中间件 45 3.6.4 通过Downloader Middleware使用Selenium 46 3.6.5 Spider Middleware 47 3.7 新功能拓展 48 3.7.1 信号signals 48 3.7.2 自定义拓展 51 第4章　数据存储——数据库的选择 4.1 MySQL数据库 53 4.1.1 MySQL的安装 53 4.1.2 几款可视化工具 54 4.1.3 数据库连接 55 4.1.4 数据库插入操作 55 4.1.5 数据库查询 56 4.1.6 数据库更新操作 56 4.1.7 爬取写入数据库 57 4.2 MongoDB数据库 58 4.2.1 MongoDB安装 58 4.2.2 连接数据库 59 4.2.3 查询数据库 59 4.2.4 插入和更新数据库 59 4.2.5 爬取数据并插入到MongoDB数据库中 60 4.3 Redis数据库 60 4.3.1 Redis安装 60 4.3.2 连接Redis数据库 61 4.3.3 Python操作Redis数据库 61 4.3.4 爬取并写入Redis做缓存 62 第5章　效率为王——分布式爬虫 5.1 什么是分布式爬虫 64 5.1.1 分布式爬虫的效率 64 5.1.2 实现分布式的方法 64 5.2 Celery 65 5.2.1 Celery入门 65 5.2.2 Celery分布式爬虫 66 5.3 使用Scrapy-redis的分布式爬虫 67 5.3.1 Scrapy-redis安装与入门 67 5.3.2 创建Scrapy-redis爬虫项目 68 第6章　抓包的使用与分析 6.1 利用抓包分析目标网站 72 6.1.1 如何抓包 72 6.1.2 网页抓包分析 72 6.2 手机APP抓包 74 6.2.1 使用fiddler抓包 75 6.2.2 HTTPS证书安装 75 6.2.3 booking手机端抓包 76 第7章　Websocket通信网站爬取 7.1 什么是Websocket 79 7.1.1 Websocket-clinet 79 7.1.2 Websocket-clinet简单入门 79 7.2 使用Websocket爬取财经网站 81 第8章　验证码破解 8.1 关于验证码 84 8.1.1 一般的验证码 84 8.1.2 极验验证 84 8.2 极验滑动验证破解 85 8.2.1 准备工具 85 8.2.2 分析滑动验证码 85 8.2.3 开始破解极限滑动验证码 87 8.3 图片验证码破解 89 8.3.1 准备工具 89 8.3.2 文字图像识别 89 8.3.3 识别验证码 90 第9章　多线程与多进程并发爬取 9.1 多线程 92 9.1.1 堵塞与非堵塞 92 9.1.2 继承threading.Thread创建类 96 9.1.3 多线程的锁 98 9.1.4 queue队列 100 9.1.5 线程池 101 9.2 多线程爬虫 103 9.2.1 爬虫框架 103 9.2.2 编写爬虫 104 9.2.3 以多线程方式启动 105 9.3 多进程 107 9.3.1 multiprocessing模块 107 9.3.2 通过Pool进程池创建进程 108 9.3.3 multiprocessing.Queue队列 109 9.3.4 multiprocessing.Pipe管道 112 9.3.5 multiprocessing.Lock锁 113 9.4 多进程爬虫 114 9.4.1 多进程爬取音频 114 9.4.2 多进程加多线程进行爬取 116 第10章　爬虫接口优化 10.1 Gunicorn的安装与使用 119 10.2 Gunicorn配置 121 10.2.1 配置参数 121 10.2.2 通过config文件启动 123 第11章　使用Docker部署爬虫 11.1 Docker 125 11.1.1 Docker的安装 125 11.1.2 Docker的镜像 125 11.1.3 构建自己的Docker镜像 127 11.1.4 容器使用 127 11.1.5 Dockerfile 129 11.2 爬虫部署 130 11.2.1 爬虫接口 130 11.2.2 部署爬虫接口 131 第二篇 实战案例 第12章　实战1：建立代理IP池 12.1 爬取免费代理IP 136 12.1.1 爬取代理IP 136 12.1.2 检验代理IP 138 12.2 建立代理IP池 138 12.2.1 检验代理IP 138 12.2.2 Redis消息队列 140 12.2.3 master爬虫 142 第13章　实战2：磁力链接搜索器 13.1 爬取磁力搜索平台 145 13.1.1 磁力平台 145 13.1.2 slave爬虫 146 13.2 实现磁力搜索器 148 13.2.1 展示与交互 148 13.2.2 数据查询 150 第14章　实战3：爬虫管家 14.1 QQ机器人 152 14.1.1 qqbot 152 14.1.2 基本操作 152 14.1.3 实现自己的机器人 153 14.2 爬虫监控机器人 153 第15章　实战4：数据可视化 15.1 可视化包Pyecharts 156 15.1.1 Pyecharts的安装 156 15.1.2 地图展示数据 157 15.2 爬取*低价机票数据 158 15.2.1 破解旅游网站价格日历接口 159 15.2.2 爬取旅游网站 160 15.2.3 将数据可视化 161 第16章　实战5：爬取贴吧中的邮箱 16.1 爬取网站 164 16.1.1 爬取高校名单 164 16.1.2 利用正则表达式匹配号码 165 16.2 分析贴吧搜索页面并提取号码 165 16.3 使用Scrapy开始编码 167 16.3.1 创建贴吧Scrapy项目 167 16.3.2 新建爬虫并编写爬虫逻辑 168 16.3.3 数据处理 170 第17章　实战6：批量爬取企业信息 17.1 从第三方平台获取企业名 172 17.2 如何爬取企业详细信息 174 第18章　实战7：爬取公众号历史文章 18.1 分析公众号接口 177 18.1.1 开始抓包 177