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
展开
