Python网络数据采集

作者：[美] Ryan Mitchell

内容简介：

本书采用简洁强大的Python语言，介绍了网络数据采集，并为采集新式网络中的各种数据类型提供了全面的指导。第1部分重点介绍网络数据采集的基本原理：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。

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