python 網(wǎng)絡數(shù)據(jù)采集 pdf 完整版是一款非常好用的Python語言學習電子書籍，書籍目錄清晰針對性學習電子版附帶視頻，幫您快速掌握網(wǎng)站數(shù)據(jù)編輯操作技能?？靵砭G色資源網(wǎng)下載體驗吧！

Python網(wǎng)絡數(shù)據(jù)采集介紹

本書采用簡潔強大的Python語言，介紹了網(wǎng)絡數(shù)據(jù)采集，并為采集新式網(wǎng)絡中的各種數(shù)據(jù)類型提供了全面的指導。第1部分重點介紹網(wǎng)絡數(shù)據(jù)采集的基本原理：如何用Python從網(wǎng)絡服務器請求信息，如何對服務器的響應進行基本處理，以及如何以自動化手段與網(wǎng)站進行交互。第二部分介紹如何用網(wǎng)絡爬蟲測試網(wǎng)站，自動化處理，以及如何通過更多的方式接入網(wǎng)絡。

Python網(wǎng)絡數(shù)據(jù)采集pdf目錄

目錄

譯者序 ix

前言 xi

第一部分 創(chuàng)建爬蟲

第1章 初見網(wǎng)絡爬蟲 2

1.1 網(wǎng)絡連接 2

1.2 BeautifulSoup簡介 4

1.2.1 安裝BeautifulSoup 5

1.2.2 運行BeautifulSoup 7

1.2.3 可靠的網(wǎng)絡連接 8

第2章 復雜HTML解析 11

2.1 不是一直都要用錘子 11

2.2 再端一碗BeautifulSoup 12

2.2.1 BeautifulSoup的find()和findAll() 13

2.2.2 其他BeautifulSoup對象 15

2.2.3 導航樹 16

2.3 正則表達式 19

2.4 正則表達式和BeautifulSoup 23

2.5 獲取屬性 24

2.6 Lambda表達式 24

2.7 超越BeautifulSoup 25

第3 章 開始采集 26

3.1 遍歷單個域名 26

3.2 采集整個網(wǎng)站 30

3.3 通過互聯(lián)網(wǎng)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 通用規(guī)則 43

4.2.1 方法 44

4.2.2 驗證 44

4.3 服務器響應 45

4.4 echo Nest 46

4.5 Twitter API 48

4.5.1 開始 48

4.5.2 幾個示例 50

4.6 Google API 52

4.6.1 開始 52

4.6.2 幾個示例 53

4.7 解析JSON 數(shù)據(jù) 55

4.8 回到主題 56

4.9 再說一點API 60

第5 章 存儲數(shù)據(jù) 61

5.1 媒體文件 61

5.2 把數(shù)據(jù)存儲到CSV 64

5.3 mysql 65

5.3.1 安裝MySQL 66

5.3.2 基本命令 68

5.3.3 與Python 整合 71

5.3.4 數(shù)據(jù)庫技術與最佳實踐 74

5.3.5 MySQL 里的“六度空間游戲” 75

5.4 Email 77

第6 章 讀取文檔 80

6.1 文檔編碼 80

6.2 純文本 81

6.3 CSV 85

6.4 PDF 87

6.5 微軟Word 和.docx 88

第二部分 高級數(shù)據(jù)采集

第7 章 數(shù)據(jù)清洗 94

7.1 編寫代碼清洗數(shù)據(jù) 94

7.2 數(shù)據(jù)存儲后再清洗 98

第8 章 自然語言處理 103

8.1 概括數(shù)據(jù) 104

8.2 馬爾可夫模型 106

8.3 自然語言工具包 112

8.3.1 安裝與設置 112

8.3.2 用NLTK 做統(tǒng)計分析 113

8.3.3 用NLTK 做詞性分析 115

8.4 其他資源 119

第9 章 穿越網(wǎng)頁表單與登錄窗口進行采集 120

9.1 Python Requests 庫 120

9.2 提交一個基本表單 121

9.3 單選按鈕、復選框和其他輸入 123

9.4 提交文件和圖像 124

9.5 處理登錄和cookie 125

9.6 其他表單問題 127

第10 章 采集javascript 128

10.1 JavaScript 簡介 128

10.2 Ajax 和動態(tài)HTML 131

10.3 處理重定向 137

第11 章 圖像識別與文字處理 139

11.1 OCR 庫概述 140

11.1.1 Pillow 140

11.1.2 Tesseract 140

11.1.3 NumPy 141

11.2 處理格式規(guī)范的文字 142

11.3 讀取驗證碼與訓練Tesseract 146

11.4 獲取驗證碼提交答案 151

第12 章 避開采集陷阱 154

12.1 道德規(guī)范 154

12.2 讓網(wǎng)絡機器人看起來像人類用戶 155

12.2.1 修改請求頭 155

12.2.2 處理cookie 157

12.2.3 時間就是一切 159

12.3 常見表單安全措施 159

12.3.1 隱含輸入字段值 159

12.3.2 避免蜜罐 160

12.4 問題檢查表 162

第13 章 用爬蟲測試網(wǎng)站 164

13.1 測試簡介 164

13.2 Python 單元測試 165

13.3 Selenium 單元測試 168

13.4 Python 單元測試與Selenium 單元測試的選擇 172

第14 章 遠程采集 174

14.1 為什么要用遠程服務器 174

14.1.1 避免IP 地址被封殺 174

14.1.2 移植性與擴展性 175

14.2 Tor 代理服務器 176

14.3 遠程主機 177

14.3.1 從網(wǎng)站主機運行 178

14.3.2 從云主機運行 178

14.4 其他資源 179

14.5 勇往直前 180

附錄A Python 簡介 181

附錄B 互聯(lián)網(wǎng)簡介 184

附錄C 網(wǎng)絡數(shù)據(jù)采集的法律與道德約束 188

作者簡介 200

封面介紹 200