第1章 網絡爬蟲簡介 1 1.1 網絡爬蟲何時有用 1 1.2 網絡爬蟲是否合法 2 1.3 背景調研 3 1.3.1 檢查robots.txt 3 1.3.2 檢查網站地圖 4 1.3.3 估算網站大小 5 1.3.4 識別網站所用技術 7 1.3.5 尋找網站所有者 7 1.4 編寫第 一個網絡爬蟲 8 1.4.1 下載網頁 9 1.4.2 網站地圖爬蟲 12 1.4.3 ID遍歷爬蟲 13 1.4.4 鏈接爬蟲 15 1.5 本章小結 22 第2章 數據抓取 23 2.1 分析網頁 23 2.2 三種網頁抓取方法 26 2.2.1 正則表達式 26 2.2.2 Beautiful Soup 28 2.2.3 Lxml 30 2.2.4 性能對比 32 2.2.5 結論 35 2.2.6 為鏈接爬蟲添加抓取回調 35 2.3 本章小結 38 第3章 下載緩存 39 3.1 為鏈接爬蟲添加緩存支持 39 3.2 磁盤緩存 42 3.2.1 實現 44 3.2.2 緩存測試 46 3.2.3 節省磁盤空間 46 3.2.4 清理過期數據 47 3.2.5 缺點 48 3.3 數據庫緩存 49 3.3.1 NoSQL是什么 50 3.3.2 安裝MongoDB 50 3.3.3 MongoDB概述 50 3.3.4 MongoDB緩存實現 52 3.3.5 壓縮 54 3.3.6 緩存測試 54 3.4 本章小結 55 第4章 并發下載 57 4.1 100萬個網頁 57 4.2 串行爬蟲 60 4.3 多線程爬蟲 60 4.3.1 線程和進程如何工作 61 4.3.2 實現 61 4.3.3 多進程爬蟲 63 4.4 性能 67 4.5 本章小結 68 第5章 動態內容 69 5.1 動態網頁示例 69 5.2 對動態網頁進行逆向工程 72 5.3 渲染動態網頁 77 5.3.1 PyQt還是PySide 78 5.3.2 執行 78 5.3.3 使用WebKit與網站交互 80 5.3.4 Selenium 85 5.4 本章小結 88 第6章 表單交互 89 6.1 登錄表單 90 6.2 支持內容更新的登錄腳本擴展 97 6.3 使用Mechanize模塊實現自動化表單處理 100 6.4 本章小結 102 第7章 驗證碼處理 103 7.1 注冊賬號 103 7.2 光學字符識別 106 7.3 處理復雜驗證碼 111 7.3.1 使用驗證碼處理服務 112 7.3.2 9kw入門 112 7.3.3 與注冊功能集成 119 7.4 本章小結 120 第8章 Scrapy 121 8.1 安裝 121 8.2 啟動項目 122 8.2.1 定義模型 123 8.2.2 創建爬蟲 124 8.2.3 使用shell命令抓取 128 8.2.4 檢查結果 129 8.2.5 中斷與恢復爬蟲 132 8.3 使用Portia編寫可視化爬蟲 133 8.3.1 安裝 133 8.3.2 標注 136 8.3.3 優化爬蟲 138 8.3.4 檢查結果 140 8.4 使用Scrapely實現自動化抓取 141 8.5 本章小結 142 第9章 總結 143 9.1 Google搜索引擎 143 9.2 Facebook 148 9.2.1 網站 148 9.2.2 API 150 9.3 Gap 151 9.4 寶馬 153 9.5 本章小結 157