本書(shū)講解 了 如何使用Python?來(lái)編寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)程序 ， 內(nèi) 容包括 網(wǎng)絡(luò)爬蟲(chóng)簡(jiǎn)介 ， 從頁(yè)面 中 抓取數(shù)據(jù) 的三種方法 ， 提取緩存 中 的 數(shù)據(jù) ， 使用 多 個(gè)線程和進(jìn)程來(lái)進(jìn)行并發(fā)抓取 ， 如何抓取動(dòng)態(tài)頁(yè)面 中 的 內(nèi) 容 ， 與表單進(jìn)行交互 ， 處理頁(yè)面 中 的 驗(yàn)證碼 問(wèn) 題， 以及使用 Sca rpy 和 Portia 來(lái)進(jìn)行數(shù)據(jù)抓取 ， 并在最后使用 本書(shū)介紹 的 數(shù)據(jù)抓取技術(shù)對(duì)幾個(gè)真實(shí) 的 網(wǎng) 站進(jìn)行 了 抓取 ， 旨在幫 助讀者活學(xué)活用書(shū)中介紹 的技術(shù) 。本書(shū)適合有一定Python 編程經(jīng)驗(yàn) ， 而且對(duì)爬蟲(chóng)技術(shù)感興趣的讀者閱讀 。

　　互聯(lián)網(wǎng) 包含了迄今為止最有用的數(shù)據(jù)集， 并且大部分可以免費(fèi)公開(kāi)訪問(wèn)。但是， 這些數(shù)據(jù)難以復(fù)用。 它們被嵌入在網(wǎng) 站的結(jié)構(gòu)和樣式當(dāng)中， 需要抽取出來(lái)才能使用。 從網(wǎng) 頁(yè)中抽取數(shù)據(jù)的過(guò)程又被稱為網(wǎng) 絡(luò)爬蟲(chóng)。 隨著越來(lái)越多的信息被發(fā)布到網(wǎng) 絡(luò)上， 網(wǎng) 絡(luò)爬蟲(chóng)也變得越來(lái)越有用。

?

　　本書(shū)內(nèi)容

　　第1章， 網(wǎng) 絡(luò)爬蟲(chóng)簡(jiǎn)介， 介紹了網(wǎng) 絡(luò)爬蟲(chóng)， 并講解了爬取網(wǎng)站 的方法。

　　第2章， 數(shù)據(jù)抓取，展示了如何從網(wǎng) 頁(yè)中抽取數(shù)據(jù)。

　　第3章， 下載緩存， 學(xué)習(xí)了如何通過(guò)緩存結(jié)果避免重復(fù)下載的問(wèn)題。

　　第4章， 并發(fā)下載， 通過(guò)并行下載加速數(shù)據(jù)抓 取。

　　第5章， 動(dòng)態(tài)內(nèi)容， 展示了如何從動(dòng)態(tài)網(wǎng) 站中抽取數(shù)據(jù)。

　　第6章， 表單交互， 展示了如何與 表單進(jìn)行交互， 從而訪問(wèn)你需要的數(shù)據(jù)。

　　第7章， 驗(yàn)證碼處理， 闡述了如何訪問(wèn)被驗(yàn)證碼圖像保護(hù)的數(shù)據(jù)。

　　第8章， Scrapy， 學(xué)習(xí)了如何使用流行的高級(jí)框架 Scrapy。

　　第9章， 總結(jié)， 對(duì)我們介紹的這些網(wǎng) 絡(luò)爬蟲(chóng)技術(shù)進(jìn)行總結(jié)。

　　假 設(shè)我有一個(gè)鞋店， 并且想要及時(shí)了解競(jìng)爭(zhēng)對(duì)手的價(jià)格。 我可以每天訪問(wèn)他們的網(wǎng) 站 ， 與 我店鋪中鞋子的價(jià)格進(jìn)行對(duì)比。但是， 如果我店鋪中的鞋類(lèi)品種繁多，或是希望 能夠更加頻繁地查看價(jià)格變化的話， 就需要花費(fèi)大量的時(shí)間， 甚至難以實(shí)現(xiàn)。 再舉一個(gè)例 子， 我看中了一雙鞋， 想等它促銷(xiāo)時(shí)再購(gòu)買(mǎi)。我可能需要每天訪問(wèn)這家鞋店的網(wǎng) 站 來(lái)查看這雙鞋是否降價(jià)， 也許需要等待幾個(gè)月的時(shí)間， 我才能如愿盼到這雙鞋促銷(xiāo)。 上述這兩個(gè)重復(fù)性的手工流程，都可以利用本書(shū)介紹的網(wǎng) 絡(luò)爬蟲(chóng)技術(shù)實(shí)現(xiàn)自動(dòng)化處理。

　　理想狀態(tài)下， 網(wǎng) 絡(luò)爬蟲(chóng)并不是必須品，每個(gè)網(wǎng)站 都應(yīng)該提供 API， 以結(jié)構(gòu)化的格式共享它們的數(shù)據(jù)。 然而現(xiàn)實(shí)情況中， 雖然一些網(wǎng)站 已經(jīng)提供了這種 API，但是它們通常會(huì)限制可以抓 取的數(shù)據(jù)，以及訪問(wèn)這些數(shù)據(jù)的頻率。 另外，對(duì)于網(wǎng)站 的開(kāi)發(fā)者而言， 維護(hù)前端界面比維護(hù)后端API接口優(yōu)先級(jí)更高。 總之， 我們不能僅僅依賴于 API去訪問(wèn)我們所需的在線數(shù)據(jù)， 而是應(yīng)該學(xué)習(xí)一些網(wǎng) 絡(luò)爬蟲(chóng)技術(shù)的相 關(guān)知識(shí)。