廣州Python爬蟲與數據分析

課程描述 本課程主要針對有一定python編程經驗的研發人員，講解python編寫網絡爬蟲的相關知識，主要內容有爬蟲的本質剖析，從頁面中爬取數據的三種方法，如何緩存抓取數據以及提取數據，并行爬蟲，如何抓取動態頁面內容；與表單的交互；處理頁面中的驗證碼；使用Scarpy編寫爬蟲；網站爬蟲封禁的突破策略；抓取到的數據可視化分析； 本課程內容豐富，講解由淺入深，并始終以一線開發經驗貫穿始終。通過本課程的學習，可使得學員對Python爬蟲開發有一個很好的掌握和了解。

課程內容： 1、網絡爬蟲技術入門 “爬蟲”的概念和本質 網絡爬蟲的實用價值 網絡爬蟲的法律約束 為什么選擇Python做爬蟲開發語言 Python的包管理工具-pip 編寫一個網絡爬蟲 ro******xt介紹 爬蟲一：網頁下載 【案例】網站地圖爬蟲 【案例】遍歷Id爬蟲 【案例】鏈接爬蟲

2、網頁內容（數據）的抓取 網頁的分析 FireBug Lite等工具 爬蟲技術三種網頁內容抓取方式 正則表達式 Beautiful Soup Lxml：CSS選擇器抓取 【討論】三種抓取方式的優劣對比 【案例】為一個爬蟲增加抓取功能

3、數據庫緩存爬蟲下載緩存 爬蟲添加下載緩存的必要性 為鏈接爬蟲添加緩存支持 緩存文件 文件系統限制 文件緩存實現（包含異常處理） 文件緩存測試的執行 使用zlib壓縮緩存 清理過期文件緩存數據 文件緩存緩存缺陷 【案例】文件緩存實現 爬蟲開發緩存選擇NoSQL的理由 典型的NoSQL-MongoDB技術概述 MongoDB緩存實現 MongoDB數據壓縮 MongoDB緩存測試 【案例】MongoDB緩存實現

4、100萬個網頁以上規模的網站數據抓取-并行爬蟲 常規串行爬蟲的特性 爬蟲線程和進程的工作原理 多線程爬蟲 多進程爬蟲 性能分析 【案例】多線程爬蟲 【案例】多進程爬蟲

5、JavaScript動態頁面的爬蟲技術 動態頁面示例 對動態網頁執行逆向工程 分析頁面加載數據的過程 python的Ajax調用 邊界優化 【案例】動態網頁的逆向 使用渲染引擎處理動態頁面 渲染引擎處理原理 包含WebKit的Python庫：PyQt 包含WebKit的Python庫：PySide 使用WebKit編程執行動態的JavaScript 使用WebKit與網站交互-自定義渲染規則 瀏覽器自動化API接口提供者-Selenium 【案例】PySide執行動態的JavaScript 【案例】Selenium運行動態JavaScript

6、表單交互 登陸表單 GET/POST URLencode/URLdecode header & cookie 如何突破使用cookie阻擋的網站 網絡機器人實現（網站內容自動更新功能） 高級Mechanize模塊實現自動化表單處理 【案例】表單登陸

7、CAPTCHA(登陸驗證碼)處理 注冊賬號的關鍵控制環節 加載驗證碼圖像 常規驗證碼圖像處理-OCR（光學字符識別） Tesseract OCR引擎 閥值化 OCR優化 【案例】OCR驗證碼圖像處理 非常規的復雜驗證碼圖像處理-9KW 復雜驗證碼圖像處理服務概述 9KW入門 集成注冊功能 【案例】調用9KW服務進行驗證碼圖像處理

8、網絡爬蟲框架Scrapy（快速編寫spider爬蟲） Scrapy安裝 Scrapy框架的開發與使用 Scrapy框架爬蟲spider介紹 爬蟲項目默認結構生成-startproject 爬取內容模型設定 spider爬蟲創建 如何使用shell 命令抓取 spider爬蟲的中斷與恢復 【案例】使用Scrapy框架快速編寫爬蟲 基于Scrapy開發的可視化爬蟲工具-Portia virtualenv 環境下的-Portia安裝過程 Portia的標注 優化Portia生成的爬蟲 【案例】使用Portia生成可視化爬蟲 使用Scrapely實現自動化抓取

9、爬蟲封禁的突破 ro******xt剖析 user agent referrer 爬蟲封禁的突破技巧 【爬蟲實戰一】Google搜索引擎 【爬蟲實戰二】寶馬官網-抓取信息

10、爬行數據整理和可視化數據分析 CSV顯示 Matplotlib的圖形化顯示 iPython和pylad 圖型的初級繪制 默認配置的詳解 線條的控制 圖片邊界 記號 移動脊柱 圖例添加 注釋特殊點 圖像子圖坐標軸和記號 其他類型的圖 散點圖／條形圖／等高線圖 灰度圖／餅狀圖／量場圖 網格／多重網格 極軸圖／3D圖 JS可視化圖表hig******s.js 曲線圖 區域圖 餅圖 散點圖 氣泡圖 動態圖表 組合圖表 3D圖 測量圖 熱點圖 樹狀圖 【爬蟲數據可視化顯示】某商城商品銷售價格信息

11、復習本課程所有的內容 總結 討論和完整案例展