网络数据采集

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。第一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。

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。第一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。

作者简介  · · · · · ·
Ryan Mitchell

数据科学家、软件工程师，目前在波士顿LinkeDrive公司负责开发公司的API和数据分析工具。此前，曾在Abine公司构建网络爬虫和网络机器人。她经常做网络数据采集项目的咨询工作，主要面向金融和零售业。另著有Instant Web Scraping with Java。

目录  · · · · · ·
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