Python 3网络爬虫开发实战

本书介绍了如何利用Python 3开发网络爬虫，书中首先介绍了环境配置和基础知识，然后讨论了urllib、requests、正则表达式、Beautiful Soup、XPath、pyquery、数据存储、Ajax数据爬取等内容，接着通过多个案例介绍了不同场景下如何实现数据爬取，后介绍了pyspider框架、Scrapy框架和分布式爬虫。 本书适合Python程序员阅读。

第1章　开发环境配置　　1 1.1　Python 3的安装　　1 1.1.1　Windows下的安装　　1 1.1.2　Linux下的安装　　6 1.1.3　Mac下的安装　　8 1.2　请求库的安装　　10 1.2.1　requests的安装　　10 1.2.2　Selenium的安装　　11 1.2.3　ChromeDriver的安装　　12 1.2.4　GeckoDriver的安装　　15 1.2.5　PhantomJS的安装　　17 1.2.6　aiohttp的安装　　18 1.3　解析库的安装　　19 1.3.1　lxml的安装　　19 1.3.2　Beautiful Soup的安装　　21 1.3.3　pyquery的安装　　22 1.3.4　tesserocr的安装　　22 1.4　数据库的安装　　26 1.4.1　MySQL的安装　　27 1.4.2　MongoDB的安装　　29 1.4.3　Redis的安装　　36 1.5　存储库的安装　　39 1.5.1　PyMySQL的安装　　39 1.5.2　PyMongo的安装　　39 1.5.3　redis-py的安装　　40 1.5.4　RedisDump的安装　　40 1.6　Web库的安装　　41 1.6.1　Flask的安装　　41 1.6.2　Tornado的安装　　42 1.7　App爬取相关库的安装　　43 1.7.1　Charles的安装　　44 1.7.2　mitmproxy的安装　　50 1.7.3　Appium的安装　　55 1.8　爬虫框架的安装　　59 1.8.1　pyspider的安装　　59 1.8.2　Scrapy的安装　　61 1.8.3　Scrapy-Splash的安装　　65 1.8.4　Scrapy-Redis的安装　　66 1.9　部署相关库的安装　　67 1.9.1　Docker的安装　　67 1.9.2　Scrapyd的安装　　71 1.9.3　Scrapyd-Client的安装　　74 1.9.4　Scrapyd API的安装　　75 1.9.5　Scrapyrt的安装　　75 1.9.6　Gerapy的安装　　76 第2章　爬虫基础　　77 2.1　HTTP基本原理　　77 2.1.1　URI和URL　　77 2.1.2　超文本　　78 2.1.3　HTTP和HTTPS　　78 2.1.4　HTTP请求过程　　80 2.1.5　请求　　82 2.1.6　响应　　84 2.2　网页基础　　87 2.2.1　网页的组成　　87 2.2.2　网页的结构　　88 2.2.3　节点树及节点间的关系　　90 2.2.4　选择器　　91 2.3　爬虫的基本原理　　93 2.3.1　爬虫概述　　93 2.3.2　能抓怎样的数据　　94 2.3.3　JavaScript渲染页面　　94 2.4　会话和Cookies　　95 2.4.1　静态网页和动态网页　　95 2.4.2　无状态HTTP　　96 2.4.3　常见误区　　98 2.5　代理的基本原理　　99 2.5.1　基本原理　　99 2.5.2　代理的作用　　99 2.5.3　爬虫代理　　100 2.5.4　代理分类　　100 2.5.5　常见代理设置　　101 第3章　基本库的使用　　102 3.1　使用urllib　　102 3.1.1　发送请求　　102 3.1.2　处理异常　　112 3.1.3　解析链接　　114 3.1.4　分析Robots协议　　119 3.2　使用requests　　122 3.2.1　基本用法　　122 3.2.2　高级用法　　130 3.3　正则表达式　　139 3.4　抓取猫眼电影排行　　150 第4章　解析库的使用　　158 4.1　使用XPath　　158 4.2　使用Beautiful Soup　　168 4.3　使用pyquery　　184 第5章　数据存储　　197 5.1　文件存储　　197 5.1.1　TXT文本存储　　197 5.1.2　JSON文件存储　　199 5.1.3　CSV文件存储　　203 5.2　关系型数据库存储　　207 5.2.1　MySQL的存储　　207 5.3　非关系型数据库存储　　213 5.3.1　MongoDB存储　　214 5.3.2　Redis存储　　221 第6章　Ajax数据爬取　　232 6.1　什么是Ajax　　232 6.2　Ajax分析方法　　234 6.3　Ajax结果提取　　238 6.4　分析Ajax爬取今日头条街拍美图　　242 第7章　动态渲染页面爬取　　249 7.1　Selenium的使用　　249 7.2　Splash的使用　　262 7.3　Splash负载均衡配置　　286 7.4　使用Selenium爬取淘宝商品　　289 第8章　验证码的识别　　298 8.1　图形验证码的识别　　298 8.2　极验滑动验证码的识别　　301 8.3　点触验证码的识别　　311 8.4　微博宫格验证码的识别　　318 第9章　代理的使用　　326 9.1　代理的设置　　326 9.2　代理池的维护　　333 9.3　付费代理的使用　　347 9.4　ADSL拨号代理　　351 9.5　使用代理爬取微信公众号文章　　364 第10章　模拟登录　　379 10.1　模拟登录并爬取GitHub　　379 10.2　Cookies池的搭建　　385 第11章　App的爬取　　398 11.1　Charles的使用　　398 11.2　mitmproxy的使用　　405 11.3　mitmdump爬取“得到”App电子书 信息　　417 11.4　Appium的基本使用　　423 11.5　Appium爬取微信朋友圈　　433 11.6　Appium+mitmdump爬取京东商品　　437 第12章　pyspider框架的使用　　443 12.1　pyspider框架介绍　　443 12.2　pyspider的基本使用　　445 12.3　pyspider用法详解　　459 第13章　Scrapy框架的使用　　468 13.1　Scrapy框架介绍　　468 13.2　Scrapy入门　　470 13.3　Selector的用法　　480 13.4　Spider的用法　　486 13.5　Downloader Middleware的用法　　487 13.6　Spider Middleware的用法　　494 13.7　Item Pipeline的用法　　496 13.8　Scrapy对接Selenium　　506 13.9　Scrapy对接Splash　　511 13.10　Scrapy通用爬虫　　516 13.11　Scrapyrt的使用　　533 13.12　Scrapy对接Docker　　536 13.13　Scrapy爬取新浪微博　　541 第14章　分布式爬虫　　555 14.1　分布式爬虫原理　　555 14.2　Scrapy-Redis源码解析　　558 14.3　Scrapy分布式实现　　564 14.4　Bloom Filter的对接　　569 第15章　分布式爬虫的部署　　577 15.1　Scrapyd分布式部署　　577 15.2　Scrapyd-Client的使用　　582 15.3　Scrapyd对接Docker　　583 15.4　Scrapyd批量部署　　586 15.5　Gerapy分布式管理　　590

崔庆才 北京航空航天大学硕士，静觅博客（https://cuiqingcai.com/）博主，爬虫博文访问量已过百万，喜欢钻研，热爱生活，乐于分享。欢迎关注个人微信公众号“进击的Coder”。

暂无其它内容！

• 读起来很差为什么这么高分

  来源：豆瓣 发布时间：2025-05-10 08:34:42

• 舍本逐末，仅适合新手速读

  来源：豆瓣 发布时间：2025-05-10 08:34:42

• 有点失望

  来源：豆瓣 发布时间：2025-05-10 08:34:42

• 这书的好评都是刷的！！！

  来源：豆瓣 发布时间：2025-05-10 08:34:42

• 一本不错的爬虫入门书籍

  来源：豆瓣 发布时间：2025-05-10 08:34:42