今天我们所处的时代是信息化时代,是数据驱动的人工智能时代。在人工智能、物联网时代,万物互联和物理世界的全面数字化使得人工智能可以基于这些数据产生优质的决策,从而对人类的生产生活产生巨大价值。
在这个以数据驱动为特征的时代,数据是最基础的。数据既可以通过研发产品获得,也可以通过爬虫采集公开数据获得,因此爬虫技术在这个快速发展的时代就显得尤为重要,高端爬虫人才的收人也在逐年提高。
今天给小伙伴们分享的这份手册是Python 之父Guido van Rossum推荐的爬虫入门书,主要介绍了如何利用Python 3开发网络爬虫(文末有最新版的爬虫案例整理)。
限于文章篇幅原因,只能以截图的形式展示出来,有需要的小伙伴可以文末获取↓↓↓
第1章 爬虫基础
第1章介绍了学习爬虫之前需要了解的基础知识,如HTTP、爬虫、代理、网页结构、多进程、多线程等内容。对爬虫没有任何了解的读者,建议好好了解这一章的知识。
第2章 基本库的使用
第2章介绍了最基本的爬出操作,爬虫通常是从这一步学起的。这一章介绍了最基本的请求库(urllib、requests、httpx)和正则表达式的基本用法。学完这一章,就可以掌握最基本的爬虫技术了。
第3章 网页数据的解析提取
第3章介绍了网页解析库的基本用法,包括Beautiful Soup、XPath、pyquery、parsel的基本使用方法,这些库可以使信息的提取更加方便、快捷,是爬虫必备的利器。
第4章 数据的存储
第4章介绍了数据存储的常见形式及存储操作,包括TXT文件、JSON文件、CSV文件的存储以及关系型数据库MySQL和非关系型数据库MongoDB,Redis的基本存储操作,另外还介绍了Elasticsearch搜索引擎存储、RabbitMQ消息队列的用法。学完这一章,就可以灵活、方便地保存爬取下来的数据。
第5章 Ajax数据爬取
第5章介绍了Ajax数据爬取的过程。一些网页数据可能是通过 Ajax 请求 API接口的方式加载的用常规方法无法爬取,这一章介绍了Ajax分析和爬取实战案例。
第6章 异步爬虫
第6章介绍了异步爬虫的相关知识,如支持更高并发的协程的基本原理、aiohttp库的使用和实战案例。有了异步爬虫,爬虫的爬取效率将会大大提高。
第7章 JavaScript动态浪染页面爬取
第7章介绍了爬取动态渲染页面的相关内容。现在越来越多的网站内容是由JavaScript渲染得到的原始HTML文本可能不包含任何有效内容,同时渲染过程会涉及某些JavaScript加密算法,对此可以使用Selenium、Splash、Pyppetcer,Playwright等工具模拟浏览器来进行数据爬取。
第8章 验证码的识别
第8章介绍了验证码的相关处理方法。验证码是网站反爬虫的重要措施,我们可以通过这一章了解各类验证码的应对方案,包括图形验证码,滑动验证码、点选验证码、手机验证码,其中会涉及 OCR、OpenCV、深度学习、打码平台的相关知识。
第9章 代理的使用
第9章介绍了代理的使用方法。限制IP的访问也是网站反爬虫的重要措施,使用代理可以有效解决这个问题,我们可以使用代理来伪装爬虫的真实IP。通过这一章,我们能学习代理的使用方法,代理池的维护方法,以及ADSL拨号代理的使用方法。
第10章 模拟登录
第10章介绍了模拟登录爬取的方法。某些网站需要录才可以看到需要的内容,这时就需要用爬虫模拟登录网站再进行爬取了。这一章介绍了最基本的模拟登录方法,包括基于Session+Cookie的模拟登录和基于 JWT的模拟登录。
第11章 JavaScript逆向爬虫
第11章介绍了 JavaScript 逆向的相关知识,包括网站的混淆技术、JavaScript 逆向常用的调试和Hook 技术、JavaScript 模拟执行的各个方案,接着介绍了AST技术来还原JavaScript 混淆代码,另外也对WebAssembly技术进行了基本介绍。
第12章 APP数据的爬取
第12章介绍了App的爬取方法,包括基本的抓包软件(Charles、mitmproxy)如何使用,然后介绍了利用mitmdump对接 Python 脚本的方法进行实时抓取,以及使用Appium、Airtest 模拟手机 App的操作进行数据爬取。
第13章 Android逆向
第13章介绍了 Android逆向的相关知识,包括反编译工具jadx、JEB和常用的Hook框架Xposed、Frida等工具的使用方法,另外还介绍了SSL Pining、脱壳、反汇编、so 文件模拟执行等技术。
第14章 页面智能解析
第14章介绍了页面智能解析相关的技术,比如新闻详情页面中标题、正文、作者等信息以及新闻列表页面中标题、链接等信息的智能提取,另外还介绍了如何智能分辨详情页和列表页。有了页面智能解析技术,在提取很多内容时就可以免去写规则的困扰。
第15章 Scrapy框架的使用
第15章介绍了Scrapy爬虫框架及用法。Scrapy 是目前使用最广泛的爬虫框架,这章介绍了它的基本架构、原理及各个组件的使用方法,另外还介绍了Scrapy对接Selenium、Pyppeteer 等的方法。
第16章 分布式爬虫
第16章介绍了分布式爬虫的基本原理及实现方法。为了提高爬取效率,分布式爬虫是必不可少的,这章介绍了使用 Scrapy-Redis、RabbitMQ实现分布式爬虫的方法。
第17章 爬虫的管理和部署
第17章介绍了分布式爬虫的部署及管理方法。方便、快速地完成爬虫的分布式部署,可以节省开发者大量的时间。这一章介绍了两种管理方案,一种是基于Scrapy、Scrapyd、Gerapy的方案,另一种是基于Kubernetes、Docker、Prometheus、Grafana的方案。
最后再给小伙伴们分享一个最新版的爬虫案例平台(https://scrape.center/),书中提到的案例可以在该平台看到最新版的哦~
限于文章篇幅原因,就展示到这里了 ,有需要的小伙伴可以查看下方名片↓↓↓
标签:方法,JavaScript,爬虫,介绍,验证码,爬取,9.0,Python3 From: https://blog.csdn.net/weixin_60707895/article/details/141391703