用Python写网络爬虫(第2版)
About this eBook
Key Features
本书是使用Python 3.x的最新特性来爬取网络数据的权威指南。
提供示例完整源码和实例网站搭建源码
Book Description
史上首本Python网络爬虫图书全新升级版，上一版年度销量近40000册。
针对Python 3.x版本编写。
提供示例完整源码和实例网站搭建源码，确保用户能在本地成功复现爬取网站环境，并保障网站的稳定性与可靠性以及代码运行结果的可再现性。
Internet上包含了许多有用的数据，其中大部分是可以免费公开访问的。但是，这些数据不容易使用，它们内嵌在网站的架构和样式中，在提取时也需要多加小心。网络爬取技术作为一种收集和理解网络上海量信息的方式，正变得越来越有用。
本书是使用Python 3.x的最新特性来爬取网络数据的权威指南。本书讲解了从静态网站提取数据的方法，以及如何使用数据库和文件缓存技术来节省时间并管理服务器负载，然后介绍了如何使用浏览器、爬虫和并发爬虫开发一个更为复杂的爬虫。
借助于PyQt和Selenium，你可以决定何时以及如何从依赖JavaScript的网站上爬取数据，以及更好地理解在受CAPTCHA保护的复杂网站上提交表单的方法。本书还讲解了使用Python包（比如mechanize）进行自动化处理的方法、使用Scrapy库创建基于类的爬虫的方法，以及如何在真实的网站上实施所学的爬虫技巧。
本书最后还涵盖了使用爬虫对网站进行测试、远程爬取技术、图像处理以及其他相关的主题。
本书主要内容如下：
使用简单的Python程序从页面中提取数据；
构建并发爬虫，对页面进行并行处理；
通过跟踪链接来爬取一个网站；
从HTML中提取特性；
缓存下载的HTML，以供复用；
比较并发模型，确定最快的爬虫；
解析依赖于JavaScript的网站；
与表单和会话进行交互。
What will you learn
使用简单的Python程序从页面中提取数据；
构建并发爬虫，对页面进行并行处理；
通过跟踪链接来爬取一个网站；
从HTML中提取特性；
缓存下载的HTML，以供复用；
比较并发模型，确定最快的爬虫；
解析依赖于JavaScript的网站；
与表单和会话进行交互。
Who this book is for
Python开发人员、搜索引擎开发人员
About the author
人民邮电出版社，1953年10月成立，
人民邮电出版社是全国优秀出版社、全国百佳图书出版单位，
人民邮电出版社出版领域涵盖科技出版、教育出版、大众出版，
Katharine Jarmul是德国柏林的一位数据科学家和Python支持者。
Richard Lawson来自澳大利亚，毕业于墨尔本大学计算机科学专业。
