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