Python网络数据采集

译者序　　ix

前言　　xi

第一部分　创建爬虫

第1章　初见网络爬虫　　2

1.1　网络连接　　2

1.2　BeautifulSoup简介　　4

1.2.1　安装BeautifulSoup　　5

1.2.2　运行BeautifulSoup　　7

1.2.3　可靠的网络连接　　8

第2章　复杂HTML解析　　11

2.1　不是一直都要用锤子　　11

2.2　再端一碗BeautifulSoup　　12

2.2.1　BeautifulSoup的find()和findAll()　　13

2.2.2　其他BeautifulSoup对象　　15

2.2.3　导航树　　16

2.3　正则表达式　　19

2.4　正则表达式和BeautifulSoup　　23

2.5　获取属性　　24

2.6　Lambda表达式　　24

2.7　超越BeautifulSoup　　25

第3章　开始采集　　26

3.1　遍历单个域名　　26

3.2　采集整个网站　　30

3.3　通过互联网采集　　34

3.4　用Scrapy采集　　38

第4章　使用API　　42

4.1　API概述　　43

4.2　API通用规则　　43

4.2.1　方法　　44

4.2.2　验证　　44

4.3　服务器响应　　45

4.4　Echo Nest　　46

4.5　Twitter API　　48

4.5.1　开始　　48

4.5.2　几个示例　　50

4.6　Google API　　52

4.6.1　开始　　52

4.6.2　几个示例　　53

4.7　解析JSON数据　　55

4.8　回到主题　　56

4.9　再说一点API　　60

第5章　存储数据　　61

5.1　媒体文件　　61

5.2　把数据存储到CSV　　64

5.3　MySQL　　65

5.3.1　安装MySQL　　66

5.3.2　基本命令　　68

5.3.3　与Python整合　　71

5.3.4　数据库技术与最佳实践　　74

5.3.5　MySQL里的“六度空间游戏”　　75

5.4　Email　　77

第6章　读取文档　　80

6.1　文档编码　　80

6.2　纯文本　　81

6.3　CSV　　85

6.4　PDF　　87

6.5　微软Word和.docx　　88

第二部分　高级数据采集

第7章　数据清洗　　94

7.1　编写代码清洗数据　　94

7.2　数据存储后再清洗　　98

第8章　自然语言处理　　103

8.1　概括数据　　104

8.2　马尔可夫模型　　106

8.3　自然语言工具包　　112

8.3.1　安装与设置　　112

8.3.2　用NLTK做统计分析　　113

8.3.3　用NLTK做词性分析　　115

8.4　其他资源　　119

第9章　穿越网页表单与登录窗口进行采集　　120

9.1　Python Requests库　　120

9.2　提交一个基本表单　　121

9.3　单选按钮、复选框和其他输入　　123

9.4　提交文件和图像　　124

9.5　处理登录和cookie　　125

9.6　其他表单问题　　127

第10章　采集JavaScript　　128

10.1　JavaScript简介　　128

10.2　Ajax和动态HTML　　131

10.3　处理重定向　　137

第11章　图像识别与文字处理　　139

11.1　OCR库概述　　140

11.1.1　Pillow　　140

11.1.2　Tesseract　　140

11.1.3　NumPy　　141

11.2　处理格式规范的文字　　142

11.3　读取验证码与训练Tesseract　　146

11.4　获取验证码提交答案　　151

第12章　避开采集陷阱　　154

12.1　道德规范　　154

12.2　让网络机器人看起来像人类用户　　155

12.2.1　修改请求头　　155

12.2.2　处理cookie　　157

12.2.3　时间就是一切　　159

12.3　常见表单安全措施　　159

12.3.1　隐含输入字段值　　159

12.3.2　避免蜜罐　　160

12.4　问题检查表　　162

第13章　用爬虫测试网站　　164

13.1　测试简介　　164

13.2　Python单元测试　　165

13.3　Selenium单元测试　　168

13.4　Python单元测试与Selenium单元测试的选择　　172

第14章　远程采集　　174

14.1　为什么要用远程服务器　　174

14.1.1　避免IP地址被封杀　　174

14.1.2　移植性与扩展性　　175

14.2　Tor代理服务器　　176

14.3　远程主机　　177

14.3.1　从网站主机运行　　178

14.3.2　从云主机运行　　178

14.4　其他资源　　179

14.5　勇往直前　　180

附录A　Python简介　　181

附录B　互联网简介　　184

附录C　网络数据采集的法律与道德约束　　188

作者简介　　200

封面介绍　　200

......(更多)