本书从基本的爬虫原理开始讲解，通过介绍Pthyon编程语言与HTML基础知识引领读者入门，之后根据当前风起云涌的云计算、大数据热潮，重点讲述了云计算的相关内容及其在爬虫中的应用，进而介绍如何设计自己的爬虫应用。主要内容分为基础篇、中级篇、深入篇，基础篇包括Python编程基础、Web前端基础、HTML基础知识、基础爬虫设计、强化爬虫技术等。中级篇包括数据存储、动态网站抓取、协议分析、Scrapy爬虫框架分析及实战案例等。高级篇包括增量式爬虫、分布式爬虫、人性化爬虫等框架设计。
零基础学习爬虫技术，从Python和Web前端基础开始讲起，由浅入深，包含大量案例，实用性强。
从静态网站到动态网站，从单机爬虫到分布式爬虫，涵盖Scrapy和PySpider框架的运用、去重方案的设计和分布式爬虫的搭建等。
这是一本实战性很强的书，书中共有9个爬虫项目，以系统的实战项目为驱动，由浅及深地讲解爬虫开发中所需的知识和技能。从静态网站到动态网站，从单机爬虫到分布式爬虫，既包含基础知识点，又讲解了关键问题和难点分析，包含从入门到进阶的所有知识。读者认真学习完本书之后不再是个菜鸟，可以自主地开发Python爬虫项目。
范传辉，资深网虫，Python开发者，参与开发了多项网络应用，在实际开发中积累了丰富的实战经验,并善于总结，贡献了多篇技术文章广受好评。研究兴趣是网络安全、爬虫技术、数据分析、驱动开发等技术。
目 录
前言
基础篇
第1章 回顾Python编程2
1.1 安装Python2
1.1.1 Windows上安装Python2
1.1.2 Ubuntu上的Python3
1.2 搭建开发环境4
1.2.1 Eclipse+PyDev4
1.2.2 PyCharm10
1.3 IO编程11
1.3.1 文件读写11
1.3.2 操作文件和目录14
1.3.3 序列化操作15
1.4 进程和线程16
1.4.1 多进程16
1.4.2 多线程22
1.4.3 协程25
1.4.4 分布式进程27
1.5 网络编程32
1.5.1 TCP编程33
1.5.2 UDP编程35
1.6 小结36
第2章 Web前端基础37
2.1 W3C标准37
2.1.1 HTML37
2.1.2 CSS47
2.1.3 JavaScript51
2.1.4 XPath56
2.1.5 JSON61
2.2 HTTP标准61
2.2.1 HTTP请求过程62
2.2.2 HTTP状态码含义62
2.2.3 HTTP头部信息63
2.2.4 Cookie状态管理66
2.2.5 HTTP请求方式66
2.3 小结68
第3章 初识网络爬虫69
3.1 网络爬虫概述69
3.1.1 网络爬虫及其应用69
3.1.2 网络爬虫结构71
3.2 HTTP请求的Python实现72
3.2.1 urllib2/urllib实现72
3.2.2 httplib/urllib实现76
3.2.3 更人性化的Requests77
3.3 小结82
第4章 HTML解析大法83
4.1 初识Firebug83
4.1.1 安装Firebug84
4.1.2 强大的功能84
4.2 正则表达式95
4.2.1 基本语法与使用96
4.2.2 Python与正则102
4.3 强大的BeautifulSoup108
4.3.1 安装BeautifulSoup108
4.3.2 BeautifulSoup的使用109
4.3.3 lxml的XPath解析124
4.4 小结126
第5章 数据存储（无数据库版）127
5.1 HTML正文抽取127
5.1.1 存储为JSON127
5.1.2 存储为CSV132
5.2 多媒体文件抽取136
5.3 Email提醒137
5.4 小结138
第6章 实战项目：基础爬虫139
6.1 基础爬虫架构及运行流程140
6.2 URL管理器141
6.3 HTML下载器142
6.4 HTML解析器143
6.5 数据存储器145
6.6 爬虫调度器146
6.7 小结147
第7章 实战项目：简单分布式爬虫148
7.1 简单分布式爬虫结构148
7.2 控制节点149
7.2.1 URL管理器149
7.2.2 数据存储器151
7.2.3 控制调度器153
7.3 爬虫节点155
7.3.1 HTML下载器155
7.3.2 HTML解析器156
7.3.3 爬虫调度器157
7.4 小结159
中级篇
第8章 数据存储（数据库版）162
8.1 SQLite162
8.1.1 安装SQLite162
8.1.2 SQL语法163
8.1.3 SQLite增删改查168
8.1.4 SQLite事务170
8.1.5 Python操作SQLite171
8.2 MySQL174
8.2.1 安装MySQL174
8.2.2 MySQL基础177
8.2.3 Python操作MySQL181
8.3 更适合爬虫的MongoDB183
8.3.1 安装MongoDB184
8.3.2 MongoDB基础187
8.3.3 Python操作MongoDB194
8.4 小结196
第9章 动态网站抓取197
9.1 Ajax和动态HTML197
9.2 动态爬虫1：爬取影评信息198
9.3 PhantomJS207
9.3.1 安装PhantomJS207
9.3.2 快速入门208
9.3.3 屏幕捕获211
9.3.4 网络监控213
9.3.5 页面自动化214
9.3.6 常用模块和方法215
9.4 Selenium218
9.4.1 安装Selenium219
9.4.2 快速入门220
9.4.3 元素选取221
9.4.4 页面操作222
9.4.5 等待225
9.5 动态爬虫2：爬取去哪网227
9.6 小结230
第10章 Web端协议分析231
10.1 网页登录POST分析231
10.1.1 隐藏表单分析231
10.1.2 加密数据分析234
10.2 验证码问题246
10.2.1 IP代理246
10.2.2 Cookie登录249
10.2.3 传统验证码识别250
10.2.4 人工打码251
10.2.5 滑动验证码252
10.3 www>m>wap252
10.4 小结254
第11章 终端协议分析255
11.1 PC客户端抓包分析255
11.1.1 HTTP Analyzer简介255
11.1.2 虾米音乐PC端API实战分析257
11.2 App抓包分析259
11.2.1 Wireshark简介259
11.2.2 酷我听书App端API实战分析266
11.3 API爬虫：爬取mp3资源信息268
11.4 小结272
第12章 初窥Scrapy爬虫框架273
12.1 Scrapy爬虫架构273
12.2 安装Scrapy275
12.3 创建cnblogs项目276
12.4 创建爬虫模块277
12.5 选择器278
12.5.1 Selector的用法278
12.5.2 HTML解析实现280
12.6 命令行工具282
12.7 定义Item284
12.8 翻页功能286
12.9 构建Item Pipeline287
12.9.1 定制Item Pipeline287
12.9.2 激活Item Pipeline288
12.10 内置数据存储288
12.11 内置图片和文件下载方式289
12.12 启动爬虫294
12.13 强化爬虫297
12.13.1 调试方法297
12.13.2 异常299
12.13.3 控制运行状态300
12.14 小结301
第13章 深入Scrapy爬虫框架302
13.1 再看Spider302
13.2 Item Loader308
13.2.1 Item与Item Loader308
13.2.2 输入与输出处理器309
13.2.3 Item Loader Context310
13.2.4 重用和扩展Item Loader311
13.2.5 内置的处理器312
13.3 再看Item Pipeline314
13.4 请求与响应315
13.4.1 Request对象315
13.4.2 Response对象318
13.5 下载器中间件320
13.5.1 激活下载器中间件320
13.5.2 编写下载器中间件321
13.6 Spide
书单推荐
