Python爬虫与数据分析

课程描述 本课程主要针对有一定python编程经验的研发人员，讲解python编写网络爬虫的相关知识，主要内容有爬虫的本质剖析，从页面中爬取数据的三种方法，如何缓存抓取数据以及提取数据，并行爬虫，如何抓取动态页面内容；与表单的交互；处理页面中的验证码；使用Scarpy编写爬虫；网站爬虫封禁的突破策略；抓取到的数据可视化分析； 本课程内容丰富，讲解由浅入深，并始终以一线开发经验贯穿始终。通过本课程的学习，可使得学员对Python爬虫开发有一个很好的掌握和了解。

课程内容： 1、网络爬虫技术入门 “爬虫”的概念和本质 网络爬虫的实用价值 网络爬虫的法律约束 为什么选择Python做爬虫开发语言 Python的包管理工具-pip 编写一个网络爬虫 ro******xt介绍 爬虫一：网页下载 【案例】网站地图爬虫 【案例】遍历Id爬虫 【案例】链接爬虫

2、网页内容（数据）的抓取 网页的分析 FireBug Lite等工具 爬虫技术三种网页内容抓取方式 正则表达式 Beautiful Soup Lxml：CSS选择器抓取 【讨论】三种抓取方式的优劣对比 【案例】为一个爬虫增加抓取功能

3、数据库缓存爬虫下载缓存 爬虫添加下载缓存的必要性 为链接爬虫添加缓存支持 缓存文件 文件系统限制 文件缓存实现（包含异常处理） 文件缓存测试的执行 使用zlib压缩缓存 清理过期文件缓存数据 文件缓存缓存缺陷 【案例】文件缓存实现 爬虫开发缓存选择NoSQL的理由 典型的NoSQL-MongoDB技术概述 MongoDB缓存实现 MongoDB数据压缩 MongoDB缓存测试 【案例】MongoDB缓存实现

4、100万个网页以上规模的网站数据抓取-并行爬虫 常规串行爬虫的特性 爬虫线程和进程的工作原理 多线程爬虫 多进程爬虫 性能分析 【案例】多线程爬虫 【案例】多进程爬虫

5、JavaScript动态页面的爬虫技术 动态页面示例 对动态网页执行逆向工程 分析页面加载数据的过程 python的Ajax调用 边界优化 【案例】动态网页的逆向 使用渲染引擎处理动态页面 渲染引擎处理原理 包含WebKit的Python库：PyQt 包含WebKit的Python库：PySide 使用WebKit编程执行动态的JavaScript 使用WebKit与网站交互-自定义渲染规则 浏览器自动化API接口提供者-Selenium 【案例】PySide执行动态的JavaScript 【案例】Selenium运行动态JavaScript

6、表单交互 登陆表单 GET/POST URLencode/URLdecode header & cookie 如何突破使用cookie阻挡的网站 网络机器人实现（网站内容自动更新功能） 高级Mechanize模块实现自动化表单处理 【案例】表单登陆

7、CAPTCHA(登陆验证码)处理 注册账号的关键控制环节 加载验证码图像 常规验证码图像处理-OCR（光学字符识别） Tesseract OCR引擎 阀值化 OCR优化 【案例】OCR验证码图像处理 非常规的复杂验证码图像处理-9KW 复杂验证码图像处理服务概述 9KW入门 集成注册功能 【案例】调用9KW服务进行验证码图像处理

8、网络爬虫框架Scrapy（快速编写spider爬虫） Scrapy安装 Scrapy框架的开发与使用 Scrapy框架爬虫spider介绍 爬虫项目默认结构生成-startproject 爬取内容模型设定 spider爬虫创建 如何使用shell 命令抓取 spider爬虫的中断与恢复 【案例】使用Scrapy框架快速编写爬虫 基于Scrapy开发的可视化爬虫工具-Portia virtualenv 环境下的-Portia安装过程 Portia的标注 优化Portia生成的爬虫 【案例】使用Portia生成可视化爬虫 使用Scrapely实现自动化抓取

9、爬虫封禁的突破 ro******xt剖析 user agent referrer 爬虫封禁的突破技巧 【爬虫实战一】Google搜索引擎 【爬虫实战二】宝马官网-抓取信息

10、爬行数据整理和可视化数据分析 CSV显示 Matplotlib的图形化显示 iPython和pylad 图型的初级绘制 默认配置的详解 线条的控制 图片边界 记号 移动脊柱 图例添加 注释特殊点 图像子图坐标轴和记号 其他类型的图 散点图／条形图／等高线图 灰度图／饼状图／量场图 网格／多重网格 极轴图／3D图 JS可视化图表hig******s.js 曲线图 区域图 饼图 散点图 气泡图 动态图表 组合图表 3D图 测量图 热点图 树状图 【爬虫数据可视化显示】某商城商品销售价格信息

11、复习本课程所有的内容 总结 讨论和完整案例展