编辑推荐
本书采用简洁强大的Python语言，全面介绍网页抓取技术，解答诸多常见问题，是掌握从数据爬取到数据清洗全流程的系统实践指南。
内容简介
本书采用简洁强大的Python 语言，介绍了网页抓取，并为抓取新式网络中的各种数据类型提供了全面的指导。第一部分重点介绍网页抓取的基本原理：如何用Python 从网络服务器请求信息，如何对服务器的响应进行基本处理，以及如何以自动化手段与网站进行交互。第二部分介绍如何用网络爬虫测试网站，自动化处理，以及如何通过更多的方式接入网络。
作者简介
作者瑞安·米切尔（Ryan Mitchell），数据科学家、软件工程师，有丰富的网络爬虫和数据分析实战经验，目前就职于美国格理集团，经常为网页数据采集项目提供咨询服务，并在美国东北大学和美国欧林工程学院任教。
章节目录
版权信息
版权声明
O'Reilly Media, Inc. 介绍
业界评论
前言
什么是网页抓取
为什么要做网页抓取
关于本书
排版约定
使用代码示例
O'Reilly Safari
联系我们
致谢
电子书
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
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
2.3 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
第3章 编写网络爬虫
3.1 遍历单个域名
3.2 抓取整个网站
3.3 在互联网上抓取
第4章 网络爬虫模型
4.1 规划和定义对象
4.2 处理不同的网站布局
4.3 结构化爬虫
4.4 关于网络爬虫模型的思考
第5章 Scrapy
5.1 安装Scrapy
5.2 创建一个简易爬虫
5.3 带规则的抓取
5.4 创建item
5.5 输出item
5.6 item管线组件
5.7 Scrapy日志管理
5.8 更多资源
第6章 存储数据
6.1 媒体文件
6.2 把数据存储到CSV
6.3 MySQL
6.4 Email
第二部分 高级网页抓取
第7章 读取文档
7.1 文档编码
7.2 纯文本
7.3 CSV
7.4 PDF
7.5 微软Word和.docx
第8章 数据清洗
8.1 编写代码清洗数据
8.2 数据存储后再清洗
第9章 自然语言处理
9.1 概括数据
9.2 马尔可夫模型
9.3 自然语言工具包
9.4 其他资源
第10章 穿越网页表单与登录窗口进行抓取
10.1 Python Requests库
10.2 提交一个基本表单
10.3 单选按钮、复选框和其他输入
10.4 提交文件和图像
10.5 处理登录和cookie
10.6 其他表单问题
第11章 抓取 JavaScript
11.1 JavaScript简介
11.2 Ajax和动态HTML
11.3 处理重定向
11.4 关于JavaScript的最后提醒
第12章 利用 API 抓取数据
12.1 API概述
12.2 解析JSON数据
12.3 无文档的API
12.4 API与其他数据源结合
12.5 再说一点API
第13章 图像识别与文字处理
13.1 OCR库概述
13.2 处理格式规范的文字
13.3 读取验证码与训练Tesseract
13.4 获取验证码并提交答案
第14章 避开抓取陷阱
14.1 道德规范
14.2 让网络机器人看着像人类用户
14.3 常见表单安全措施
14.4 问题检查表
第15章 用爬虫测试网站
15.1 测试简介
15.2 Python单元测试
15.3 Selenium单元测试
15.4 单元测试与Selenium单元测试的选择
第16章 并行网页抓取
16.1 进程与线程
16.2 多线程抓取
16.3 多进程抓取
16.4 多进程抓取的另一种方法
第17章 远程抓取
17.1 为什么要用远程服务器
17.2 Tor代理服务器
17.3 远程主机
17.4 其他资源
第18章 网页抓取的法律与道德约束
18.1 商标、版权、专利
18.2 侵害动产
18.3 计算机欺诈与滥用法
18.4 robots.txt和服务协议
18.5 3个网络爬虫
18.6 勇往直前
关于作者
关于封面
看完了
Python网络爬虫权威指南（第2版）是2019年由人民邮电出版社出版,作者[美]瑞安•米切尔。
得书感谢您对《Python网络爬虫权威指南（第2版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
