Python3爬蟲實戰：數據清洗、數據分析與可視化

作為一個自學爬蟲的過來人，曾經走過很多彎路，在自學的道路上也迷茫過。
每次面對一個全新的網站，都像是踏進一個未知的世界。
你不知道前面有哪些反爬手段在等著你；你不知道你會踩進哪個坑裡。
我做爬蟲的幾年時間裡，爬過很多的網站、遇到過很多的難題。
這本書就是我這幾年經驗的總結，從開始的工具的學習使用，到實戰項目的爬取，
難度一步一步的升級，需求也越來越複雜，有各式各樣的爬取方式。
本書主要內容與數據爬取相關，包括編寫爬蟲所需要的基礎編程知識，
如Requests包、Scrapy框架和數據庫的使用，到項目實戰教程，適合Python基礎入門的讀者。
如果你是其他行業的從業者，想進入IT行業成為一位爬蟲工程師，又或者你已經是IT行業的從業者，
本書在能夠讓你在對爬蟲工程師的工作內容有所瞭解的同時，也能讓你掌握作為一個爬蟲工程師所需要具備的基礎技能。

第一篇 基礎知識
第1章 Python環境搭建
1.1 Python的安裝 2
1.1.1 Windows下Python的安裝 2
1.1.2 Mac OS X下Python的安裝 3
1.1.3 Linux下Python的安裝 3
1.1.4 安裝pip工具 4
1.2 虛擬環境Virtualenv 5
1.2.1 Virtualenv的安裝 5
1.2.2 創建虛擬環境 5
1.2.3 激活虛擬環境 5
1.2.4 創建指定Python版本的虛擬環境 5
1.3 選擇合適的編輯器 6
1.3.1 Vim 6
1.3.2 Atom 6
1.3.3 Sublime Text 6
1.3.4 Notepad++ 6
1.3.5 Pycharm 6

第2章 常用爬蟲庫Requests
2.1 安裝Requests 7
2.1.1 用pip安裝 7
2.1.2 用github源碼安裝 7
2.1.3 用curl安裝 7
2.2 瞭解 Requests的功能 8
2.2.1 使用GET和POST發送請求 8
2.2.2 通過URL傳遞參數 9
2.2.3 設置超時 9
2.2.4 查看返回內容 9
2.2.5 設置請求頭 10
2.2.6 更多複雜的Post請求 10
2.2.7 返回對象狀態碼 12
2.2.8 設置代理IP 13
2.3 BeautifulSoup的安裝和使用 14
2.3.1 使用pip安裝BeautifulSoup 14
2.3.2 使用BeautifulSoup定位元素 14
2.4 初識自動化測試工具Selenium 15
2.4.1 Selenium安裝 15
2.4.2 使用Selnium爬取網站 15
2.5 Selenium定位元素 16
2.5.1 通過屬性定位 17
2.5.2 通過xpath定位 17
2.6 Selenium反爬設置 18
2.6.1 設置請求頭 18
2.6.2 設置代理IP 19

第3章 常用爬蟲框架Scrapy
3.1 認識Scrapy 21
3.1.1 Scrapy爬取quotes簡單示例 21
3.1.2 安裝所需依賴包 23
3.1.3 使用虛擬環境 23
3.2 Scrapy shell的使用 24
3.2.1 運行shell 24
3.2.2 使用Scrapy shell爬取Scrapy.org 24
3.2.3 爬蟲調用shell 26
3.3 使用Scrapy爬取quotes 26
3.3.1 創建Scrapy項目並新建爬蟲 27
3.3.2 爬取和提取數據 27
3.3.3 通過腳本運行Scrapy爬蟲 29
3.3.4 在同一進程下運行多個爬蟲 29
3.3.5 簡易的分布式爬蟲思路 30
3.3.6 防止爬蟲被ban 31
3.4 setting基本配置 31
3.5 Pipeline模塊 32
3.5.1 爬取文字板塊 32
3.5.2 編寫Pipeline模塊 35
3.5.3 通過Pipeline將數據寫入MongoDB數據庫 36
3.5.4 ImagesPipeline處理圖片 37
3.5.5 FilePipeline下載文件 40
3.6 Middleware中間件 41
3.6.1 Downloader Middleware 41
3.6.2 隨機請求頭中間件 42
3.6.3 更換代理IP中間件 45
3.6.4 通過Downloader Middleware使用Selenium 46
3.6.5 Spider Middleware 47
3.7 新功能拓展 48
3.7.1 信號signals 48
3.7.2 自定義拓展 51

第4章 數據存儲――數據庫的選擇
4.1 MySQL數據庫 53
4.1.1 MySQL的安裝 53
4.1.2 幾款可視化工具 54
4.1.3 數據庫連接 55
4.1.4 數據庫插入操作 55
4.1.5 數據庫查詢 56
4.1.6 數據庫更新操作 56
4.1.7 爬取寫入數據庫 57
4.2 MongoDB數據庫 58
4.2.1 MongoDB安裝 58
4.2.2 連接數據庫 59
4.2.3 查詢數據庫 59
4.2.4 插入和更新數據庫 59
4.2.5 爬取數據並插入到MongoDB數據庫中 60
4.3 Redis數據庫 60
4.3.1 Redis安裝 60
4.3.2 連接Redis數據庫 61
4.3.3 Python操作Redis數據庫 61
4.3.4 爬取並寫入Redis做緩存 62

第5章 效率為王――分布式爬蟲
5.1 什麼是分布式爬蟲 64
5.1.1 分布式爬蟲的效率 64
5.1.2 實現分布式的方法 64
5.2 Celery 65
5.2.1 Celery入門 65
5.2.2 Celery分布式爬蟲 66
5.3 使用Scrapy-redis的分布式爬蟲 67
5.3.1 Scrapy-redis安裝與入門 67
5.3.2 創建Scrapy-redis爬蟲項目 68

第6章 抓包的使用與分析
6.1 利用抓包分析目標網站 72
6.1.1 如何抓包 72
6.1.2 網頁抓包分析 72
6.2 手機APP抓包 74
6.2.1 使用fiddler抓包 75
6.2.2 HTTPS證書安裝 75
6.2.3 booking手機端抓包 76

第7章 Websocket通信網站爬取
7.1 什麼是Websocket 79
7.1.1 Websocket-clinet 79
7.1.2 Websocket-clinet簡單入門 79
7.2 使用Websocket爬取財經網站 81

第8章 驗證碼破解
8.1 關於驗證碼 84
8.1.1 一般的驗證碼 84
8.1.2 極驗驗證 84
8.2 極驗滑動驗證破解 85
8.2.1 準備工具 85
8.2.2 分析滑動驗證碼 85
8.2.3 開始破解極限滑動驗證碼 87
8.3 圖片驗證碼破解 89
8.3.1 準備工具 89
8.3.2 文字圖像識別 89
8.3.3 識別驗證碼 90

第9章 多線程與多進程併發爬取
9.1 多線程 92
9.1.1 堵塞與非堵塞 92
9.1.2 繼承threading.Thread創建類 96
9.1.3 多線程的鎖 98
9.1.4 queue隊列 100
9.1.5 線程池 101
9.2 多線程爬蟲 103
9.2.1 爬蟲框架 103
9.2.2 編寫爬蟲 104
9.2.3 以多線程方式啟動 105
9.3 多進程 107
9.3.1 multiprocessing模塊 107
9.3.2 通過Pool進程池創建進程 108
9.3.3 multiprocessing.Queue隊列 109
9.3.4 multiprocessing.Pipe管道 112
9.3.5 multiprocessing.Lock鎖 113
9.4 多進程爬蟲 114
9.4.1 多進程爬取音頻 114
9.4.2 多進程加多線程進行爬取 116

第10章 爬蟲接口優化
10.1 Gunicorn的安裝與使用 119
10.2 Gunicorn配置 121
10.2.1 配置參數 121
10.2.2 通過config文件啟動 123

第11章 使用Docker部署爬蟲
11.1 Docker 125
11.1.1 Docker的安裝 125
11.1.2 Docker的鏡像 125
11.1.3 構建自己的Docker鏡像 127
11.1.4 容器使用 127
11.1.5 Dockerfile 129
11.2 爬蟲部署 130
11.2.1 爬蟲接口 130
11.2.2 部署爬蟲接口 131

第二篇 實戰案例
第12章 實戰1：建立代理IP池
12.1 爬取免費代理IP 136
12.1.1 爬取代理IP 136
12.1.2 檢驗代理IP 138
12.2 建立代理IP池 138
12.2.1 檢驗代理IP 138
12.2.2 Redis消息隊列 140
12.2.3 master爬蟲 142

第13章 實戰2：磁力鏈接搜索器
13.1 爬取磁力搜索平臺 145
13.1.1 磁力平臺 145
13.1.2 slave爬蟲 146
13.2 實現磁力搜索器 148
13.2.1 展示與交互 148
13.2.2 數據查詢 150

第14章 實戰3：爬蟲管家
14.1 QQ機器人 152
14.1.1 qqbot 152
14.1.2 基本操作 152
14.1.3 實現自己的機器人 153
14.2 爬蟲監控機器人 153

第15章 實戰4：數據可視化
15.1 可視化包Pyecharts 156
15.1.1 Pyecharts的安裝 156
15.1.2 地圖展示數據 157
15.2 爬取最低價機票數據 158
15.2.1 破解旅遊網站價格日曆接口 159
15.2.2 爬取旅遊網站 160
15.2.3 將數據可視化 161

第16章 實戰5：爬取貼吧中的郵箱
16.1 爬取網站 164
16.1.1 爬取高校名單 164
16.1.2 利用正則表達式匹配號碼 165
16.2 分析貼吧搜索頁面並提取號碼 165
16.3 使用Scrapy開始編碼 167
16.3.1 創建貼吧Scrapy項目 167
16.3.2 新建爬蟲並編寫爬蟲邏輯 168
16.3.3 數據處理 170

第17章 實戰6：批量爬取企業信息
17.1 從第三方平臺獲取企業名 172
17.2 如何爬取企業詳細信息 174

第18章 實戰7：爬取公眾號歷史文章
18.1 分析公眾號接口 177
18.1.1 開始抓包 177
18.1.2 分析接口 179
18.1.3 嘗試請求數據 179
18.2 爬取公眾號 180
18.2.1 爬取思路 180
18.2.2 請求接口獲取文章URL 180
18.2.3 解析文章網頁源碼 181
18.2.4 合併代碼 183

第19章 實戰8：高效爬取――異步爬蟲
19.1 異步編程 186
19.1.1 asyncio庫 186
19.1.2 aiohttp庫 187
19.1.3 訪問多個URL 188
19.2 爬取圖片 189
19.2.1 為函數命名 189
19.2.2 對網頁進行解析 190
19.2.3 異步爬取圖片 190

第20章 實戰9：爬取漫畫網站
20.1 爬取單部漫畫 193
20.1.1 單集漫畫的爬取 193
20.1.2 全集漫畫的爬取 195
20.2 爬取漫畫全站 196

第21章 實戰10：給kindle推送爬取的小說
21.1 用Python發送郵件 199
21.1.1 純文本郵件的發送 199
21.1.2 帶附件郵件的發送 200
21.2 爬取小說 201
21.2.1 製作word文檔 201
21.2.2 爬取baka-tsuki.org 202

第22章 實戰11：爬取遊民星空壁紙
22.1 星空壁紙的爬取準備 205
22.2 爬取壁紙 206
22.2.1 獲取圖片和下一頁地址 206
22.2.2 爬取列表頁 208
22.2.3 爬取高清圖片資源 209

第23章 綜合實戰：建立一個小網站
23.1 Flask框架 210
23.1.1 寫一個簡單的hello word網頁 210
23.1.2 添加html模板 210
23.2 Bootstrap框架 212
23.2.1 使用Bootstrap框架 213
23.2.2 Bootstrap在線模板 213
23.2.3 添加壁紙板塊 215

第24章 綜合實戰：爬取電影網站
24.1 理清爬蟲的思路 218
24.2 分步編碼實現爬取 219
24.2.1 爬取詳情頁 219
24.2.2 爬取列表頁 220
24.2.3 爬取首頁 221
24.2.4 寫入數據庫 222

第25章 綜合實戰：建立電影小站
25.1 搭建項目 224
25.1.1 sqlite數據庫 224
25.1.2 創建項目 225
25.1.3 通過藍圖建立電影板塊 226
25.2 建立模板 229
25.2.1 flask-bootstrap 229
25.2.2 電影頁面 231
25.2.3 電影分類 233
25.2.4 電影詳情頁 237
25.2.5 電影搜索頁 239

第26章 綜合實戰：磁力搜索
26.1 磁力搜索 241
26.1.1 如何高效爬取 241
26.1.2 建立Celery任務 244
26.2 Web部分 248
26.2.1 建立模型 248
26.2.2 視圖函數 248
26.2.3 關於產品 251