书籍封面
书籍目录
封面
数字版权声明
译者介绍
扉页
版权
版权声明
O’Reilly Media, Inc.介绍
目录
译者序
前言
第一部分 创建爬虫
第1章 初见网络爬虫
1.1 网络连接
1.2 BeautifulSoup简介
1.2.1 安装BeautifulSoup
1.2.2 运行BeautifulSoup
1.2.3 可靠的网络连接
第2章 复杂HTML解析
2.1 不是一直都要用锤子
2.2 再端一碗BeautifulSoup
2.2.1 BeautifulSoup的find()和findAll()
2.2.2 其他BeautifulSoup对象
2.2.3 导航树
2.3 正则表达式
2.4 正则表达式和BeautifulSoup
2.5 获取属性
2.6 Lambda表达式
2.7 超越BeautifulSoup
第3章 开始采集
3.1 遍历单个域名
3.2 采集整个网站
3.3 通过互联网采集
3.4 用Scrapy采集
第4章 使用API
4.1 API概述
4.2 API通用规则
4.2.1 方法
4.2.2 验证
4.3 服务器响应
4.4 Echo Nest
4.5 Twitter API
4.5.1 开始
4.5.2 几个示例
4.6 Google API
4.6.1 开始
4.6.2 几个示例
4.7 解析JSON数据
4.8 回到主题
4.9 再说一点API
第5章 存储数据
5.1 媒体文件
5.2 把数据存储到CSV
5.3 MySQL
5.3.1 安装MySQL
5.3.2 基本命令
5.3.3 与Python整合
5.3.4 数据库技术与最佳实践
5.3.5 MySQL里的“六度空间游戏”
5.4 Email
第6章 读取文档
6.1 文档编码
6.2 纯文本
6.3 CSV
6.4 PDF
6.5 微软Word和.docx
第二部分 高级数据采集
第7章 数据清洗
7.1 编写代码清洗数据
7.2 数据存储后再清洗
第8章 自然语言处理
8.1 概括数据
8.2 马尔可夫模型
8.3 自然语言工具包
8.3.1 安装与设置
8.3.2 用NLTK做统计分析
8.3.3 用NLTK做词性分析
8.4 其他资源
第9章 穿越网页表单与登录窗口进行采集
9.1 Python Requests库
9.2 提交一个基本表单
9.3 单选按钮、复选框和其他输入
9.4 提交文件和图像
9.5 处理登录和cookie
9.6 其他表单问题
第10章 采集JavaScript
10.1 JavaScript简介
10.2 Ajax和动态HTML
10.3 处理重定向
第11章 图像识别与文字处理
11.1 OCR库概述
11.1.1 Pillow
11.1.2 Tesseract
11.1.3 NumPy
11.2 处理格式规范的文字
11.3 读取验证码与训练Tesseract
11.4 获取验证码提交答案
第12章 避开采集陷阱
12.1 道德规范
12.2 让网络机器人看起来像人类用户
12.2.1 修改请求头
12.2.2 处理cookie
12.2.3 时间就是一切
12.3 常见表单安全措施
12.3.1 隐含输入字段值
12.3.2 避免蜜罐
12.4 问题检查表
第13章 用爬虫测试网站
13.1 测试简介
13.2 Python单元测试
13.3 Selenium单元测试
13.4 Python单元测试与Selenium单元测试的选择
第14章 远程采集
14.1 为什么要用远程服务器
14.1.1 避免IP地址被封杀
14.1.2 移植性与扩展性
14.2 Tor代理服务器
14.3 远程主机
14.3.1 从网站主机运行
14.3.2 从云主机运行
14.4 其他资源
14.5 勇往直前
附录A Python 简介
附录B 互联网简介
附录C 网络数据采集的法律与道德约束
作者简介
封面介绍
关注图灵
看完了
没有回复内容