課程描述 本課程主要針對(duì)有一定python編程經(jīng)驗(yàn)的研發(fā)人員，講解python編寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)的相關(guān)知識(shí)，主要內(nèi)容有爬蟲(chóng)的本質(zhì)剖析，從頁(yè)面中爬取數(shù)據(jù)的三種方法，如何緩存抓取數(shù)據(jù)以及提取數(shù)據(jù)，并行爬蟲(chóng)，如何抓取動(dòng)態(tài)頁(yè)面內(nèi)容；與表單的交互；處理頁(yè)面中的驗(yàn)證碼；使用Scarpy編寫(xiě)爬蟲(chóng)；網(wǎng)站爬蟲(chóng)封禁的突破策略；抓取到的數(shù)據(jù)可視化分析； 本課程內(nèi)容豐富，講解由淺入深，并始終以一線開(kāi)發(fā)經(jīng)驗(yàn)貫穿始終。通過(guò)本課程的學(xué)習(xí)，可使得學(xué)員對(duì)Python爬蟲(chóng)開(kāi)發(fā)有一個(gè)很好的掌握和了解。

課程內(nèi)容： 1、網(wǎng)絡(luò)爬蟲(chóng)技術(shù)入門(mén) “爬蟲(chóng)”的概念和本質(zhì) 網(wǎng)絡(luò)爬蟲(chóng)的實(shí)用價(jià)值 網(wǎng)絡(luò)爬蟲(chóng)的法律約束 為什么選擇Python做爬蟲(chóng)開(kāi)發(fā)語(yǔ)言 Python的包管理工具-pip 編寫(xiě)一個(gè)網(wǎng)絡(luò)爬蟲(chóng) ro******xt介紹 爬蟲(chóng)一：網(wǎng)頁(yè)下載 【案例】網(wǎng)站地圖爬蟲(chóng) 【案例】遍歷Id爬蟲(chóng) 【案例】鏈接爬蟲(chóng)

2、網(wǎng)頁(yè)內(nèi)容（數(shù)據(jù)）的抓取 網(wǎng)頁(yè)的分析 FireBug Lite等工具 爬蟲(chóng)技術(shù)三種網(wǎng)頁(yè)內(nèi)容抓取方式 正則表達(dá)式 Beautiful Soup Lxml：CSS選擇器抓取 【討論】三種抓取方式的優(yōu)劣對(duì)比 【案例】為一個(gè)爬蟲(chóng)增加抓取功能

3、數(shù)據(jù)庫(kù)緩存爬蟲(chóng)下載緩存 爬蟲(chóng)添加下載緩存的必要性 為鏈接爬蟲(chóng)添加緩存支持 緩存文件 文件系統(tǒng)限制 文件緩存實(shí)現(xiàn)（包含異常處理） 文件緩存測(cè)試的執(zhí)行 使用zlib壓縮緩存 清理過(guò)期文件緩存數(shù)據(jù) 文件緩存緩存缺陷 【案例】文件緩存實(shí)現(xiàn) 爬蟲(chóng)開(kāi)發(fā)緩存選擇NoSQL的理由 典型的NoSQL-MongoDB技術(shù)概述 MongoDB緩存實(shí)現(xiàn) MongoDB數(shù)據(jù)壓縮 MongoDB緩存測(cè)試 【案例】MongoDB緩存實(shí)現(xiàn)

4、100萬(wàn)個(gè)網(wǎng)頁(yè)以上規(guī)模的網(wǎng)站數(shù)據(jù)抓取-并行爬蟲(chóng) 常規(guī)串行爬蟲(chóng)的特性 爬蟲(chóng)線程和進(jìn)程的工作原理 多線程爬蟲(chóng) 多進(jìn)程爬蟲(chóng) 性能分析 【案例】多線程爬蟲(chóng) 【案例】多進(jìn)程爬蟲(chóng)

5、JavaScript動(dòng)態(tài)頁(yè)面的爬蟲(chóng)技術(shù) 動(dòng)態(tài)頁(yè)面示例 對(duì)動(dòng)態(tài)網(wǎng)頁(yè)執(zhí)行逆向工程 分析頁(yè)面加載數(shù)據(jù)的過(guò)程 python的Ajax調(diào)用 邊界優(yōu)化 【案例】動(dòng)態(tài)網(wǎng)頁(yè)的逆向 使用渲染引擎處理動(dòng)態(tài)頁(yè)面 渲染引擎處理原理 包含WebKit的Python庫(kù)：PyQt 包含WebKit的Python庫(kù)：PySide 使用WebKit編程執(zhí)行動(dòng)態(tài)的JavaScript 使用WebKit與網(wǎng)站交互-自定義渲染規(guī)則 瀏覽器自動(dòng)化API接口提供者-Selenium 【案例】PySide執(zhí)行動(dòng)態(tài)的JavaScript 【案例】Selenium運(yùn)行動(dòng)態(tài)JavaScript

6、表單交互 登陸表單 GET/POST URLencode/URLdecode header & cookie 如何突破使用cookie阻擋的網(wǎng)站 網(wǎng)絡(luò)機(jī)器人實(shí)現(xiàn)（網(wǎng)站內(nèi)容自動(dòng)更新功能） 高級(jí)Mechanize模塊實(shí)現(xiàn)自動(dòng)化表單處理 【案例】表單登陸

7、CAPTCHA(登陸驗(yàn)證碼)處理 注冊(cè)賬號(hào)的關(guān)鍵控制環(huán)節(jié) 加載驗(yàn)證碼圖像 常規(guī)驗(yàn)證碼圖像處理-OCR（光學(xué)字符識(shí)別） Tesseract OCR引擎 閥值化 OCR優(yōu)化 【案例】OCR驗(yàn)證碼圖像處理 非常規(guī)的復(fù)雜驗(yàn)證碼圖像處理-9KW 復(fù)雜驗(yàn)證碼圖像處理服務(wù)概述 9KW入門(mén) 集成注冊(cè)功能 【案例】調(diào)用9KW服務(wù)進(jìn)行驗(yàn)證碼圖像處理

8、網(wǎng)絡(luò)爬蟲(chóng)框架Scrapy（快速編寫(xiě)spider爬蟲(chóng)） Scrapy安裝 Scrapy框架的開(kāi)發(fā)與使用 Scrapy框架爬蟲(chóng)spider介紹 爬蟲(chóng)項(xiàng)目默認(rèn)結(jié)構(gòu)生成-startproject 爬取內(nèi)容模型設(shè)定 spider爬蟲(chóng)創(chuàng)建 如何使用shell 命令抓取 spider爬蟲(chóng)的中斷與恢復(fù) 【案例】使用Scrapy框架快速編寫(xiě)爬蟲(chóng) 基于Scrapy開(kāi)發(fā)的可視化爬蟲(chóng)工具-Portia virtualenv 環(huán)境下的-Portia安裝過(guò)程 Portia的標(biāo)注 優(yōu)化Portia生成的爬蟲(chóng) 【案例】使用Portia生成可視化爬蟲(chóng) 使用Scrapely實(shí)現(xiàn)自動(dòng)化抓取

9、爬蟲(chóng)封禁的突破 ro******xt剖析 user agent referrer 爬蟲(chóng)封禁的突破技巧 【爬蟲(chóng)實(shí)戰(zhàn)一】Google搜索引擎 【爬蟲(chóng)實(shí)戰(zhàn)二】寶馬官網(wǎng)-抓取信息

10、爬行數(shù)據(jù)整理和可視化數(shù)據(jù)分析 CSV顯示 Matplotlib的圖形化顯示 iPython和pylad 圖型的初級(jí)繪制 默認(rèn)配置的詳解 線條的控制 圖片邊界 記號(hào) 移動(dòng)脊柱 圖例添加 注釋特殊點(diǎn) 圖像子圖坐標(biāo)軸和記號(hào) 其他類(lèi)型的圖 散點(diǎn)圖／條形圖／等高線圖 灰度圖／餅狀圖／量場(chǎng)圖 網(wǎng)格／多重網(wǎng)格 極軸圖／3D圖 JS可視化圖表hig******s.js 曲線圖 區(qū)域圖 餅圖 散點(diǎn)圖 氣泡圖 動(dòng)態(tài)圖表 組合圖表 3D圖 測(cè)量圖 熱點(diǎn)圖 樹(shù)狀圖 【爬蟲(chóng)數(shù)據(jù)可視化顯示】某商城商品銷(xiāo)售價(jià)格信息

11、復(fù)習(xí)本課程所有的內(nèi)容 總結(jié) 討論和完整案例展