精通Python爬蟲框架Scrapy

第 1章 Scrapy簡(jiǎn)介 1
1．1 初識(shí)Scrapy 1
1．2 喜歡Scrapy的更多理由 2
1．3 關(guān)于本書：目標(biāo)和用途 3
1．4 掌握自動(dòng)化數(shù)據(jù)爬取的重要性 4
1．4．1 開發(fā)健壯且高質(zhì)量的應(yīng)用，并提供合理規(guī)劃 4
1．4．2 快速開發(fā)高質(zhì)量可行產(chǎn)品 5
1．4．3 Google不會(huì)使用表單，爬取才能擴(kuò)大規(guī)模 6
1．4．4 發(fā)現(xiàn)并融入你的生態(tài)系統(tǒng) 7
1．5 在充滿爬蟲的世界里做一個(gè)好公民 7
1．6 Scrapy不是什么 8
1．7 本章小結(jié) 9
第 2章 理解HTML和XPath 10
2．1 HTML、DOM樹表示以及XPath 10
2．1．1 URL 11
2．1．2 HTML文檔 11
2．1．3 樹表示法 13
2．1．4 你會(huì)在屏幕上看到什么 14
2．2 使用XPath選擇HTML元素 15
2．2．1 有用的XPath表達(dá)式 16
2．2．2 使用Chrome獲取XPath表達(dá)式 19
2．2．3 常見任務(wù)示例 20
2．2．4 預(yù)見變化 21
2．3 本章小結(jié) 22
第3章 爬蟲基礎(chǔ) 23
3．1 安裝Scrapy 24
3．1．1 MacOS 24
3．1．2 Windows 25
3．1．3 Linux 25
3．1．4 新源碼安裝 26
3．1．5 升級(jí)Scrapy 26
3．1．6 Vagrant：本書中運(yùn)行示例的官方方式 27
3．2 UR2IM——基本抓取流程 28
3．2．1 URL 29
3．2．2 請(qǐng)求和響應(yīng) 31
3．2．3 Item 31
3．3 一個(gè)Scrapy項(xiàng)目 37
3．3．1 聲明item 38
3．3．2 編寫爬蟲 40
3．3．3 填充item 43
3．3．4 保存文件 45
3．3．5 清理——item裝載器與管理字段 47
3．3．6 創(chuàng)建contract 50
3．4 抽取更多的URL 53
3．4．1 使用爬蟲實(shí)現(xiàn)雙向爬取 56
3．4．2 使用CrawlSpider實(shí)現(xiàn)雙向爬取 59
3．5 本章小結(jié) 61
第4章 從Scrapy到移動(dòng)應(yīng)用 62
4．1 選擇手機(jī)應(yīng)用框架 62
4．2 創(chuàng)建數(shù)據(jù)庫和集合 63
4．3 使用Scrapy填充數(shù)據(jù)庫 65
4．4 創(chuàng)建手機(jī)應(yīng)用 68
4．4．1 創(chuàng)建數(shù)據(jù)庫訪問服務(wù) 69
4．4．2 創(chuàng)建用戶界面 69
4．4．3 將數(shù)據(jù)映射到用戶界面 70
4．4．4 數(shù)據(jù)庫字段與用戶界面控件間映射 71
4．4．5 測(cè)試、分享及導(dǎo)出你的手機(jī)應(yīng)用 72
4．5 本章小結(jié) 73
第5章 迅速的爬蟲技巧 75
5．1 需要登錄的爬蟲 75
5．2 使用JSON API和AJAX頁面的爬蟲 81
5．3 30倍速的房產(chǎn)爬蟲 85
5．4 基于Excel文件爬取的爬蟲 90
5．5 本章小結(jié) 93
第6章 部署到Scrapinghub 94
6．1 注冊(cè)、登錄及創(chuàng)建項(xiàng)目 94
6．2 部署爬蟲與計(jì)劃運(yùn)行 96
6．3 訪問item 99
6．4 計(jì)劃定時(shí)爬取 100
6．5 本章小結(jié) 101
第7章 配置與管理 102
7．1 使用Scrapy設(shè)置 102
7．2 基本設(shè)置 103
7．2．1 分析 104
7．2．2 性能 107
7．2．3 提前終止爬取 108
7．2．4 HTTP緩存和離線運(yùn)行 108
7．2．5 爬取風(fēng)格 109
7．2．6 feed 110
7．2．7 媒體下載 111
7．2．8 Amazon Web服務(wù) 113
7．2．9 使用代理和爬蟲 113
7．3 進(jìn)階設(shè)置 114
7．3．1 項(xiàng)目相關(guān)設(shè)置 115
7．3．2 Scrapy擴(kuò)展設(shè)置 116
7．3．3 下載調(diào)優(yōu) 116
7．3．4 自動(dòng)限速擴(kuò)展設(shè)置 117
7．3．5 內(nèi)存使用擴(kuò)展設(shè)置 117
7．3．6 日志和調(diào)試 117
7．4 本章小結(jié) 118
第8章 Scrapy編程 119
8．1 Scrapy是一個(gè)Twisted應(yīng)用 119
8．1．1 延遲和延遲鏈 122
8．1．2 理解Twisted和非阻塞I/O——一個(gè)Python故事 125
8．2 Scrapy架構(gòu)概述 132
8．3 示例1：非常簡(jiǎn)單的管道 135
8．4 信號(hào) 136
8．5 示例2：測(cè)量吞吐量和延時(shí)的擴(kuò)展 138
8．6 中間件延伸 141
8．7 本章小結(jié) 144
第9章 管道秘訣 145
9．1 使用REST API 146
9．1．1 使用treq 146
9．1．2 用于寫入Elasticsearch的管道 146
9．1．3 使用Google Geocoding API實(shí)現(xiàn)地理編碼的管道 149
9．1．4 在Elasticsearch中啟用地理編碼索引 156
9．2 與標(biāo)準(zhǔn)Python客戶端建立數(shù)據(jù)庫接口 157
9．3 使用Twisted專用客戶端建立服務(wù)接口 161
9．4 為CPU密集型、阻塞或遺留功能建立接口 166
9．4．1 處理CPU密集型或阻塞操作的管道 166
9．4．2 使用二進(jìn)制或腳本的管道 168
9．5 本章小結(jié) 172
第 10章 理解Scrapy性能 173
10．1 Scrapy引擎——一種直觀方式 173
10．1．1 級(jí)聯(lián)隊(duì)列系統(tǒng) 175
10．1．2 定義瓶頸 176
10．1．3 Scrapy性能模型 176
10．2 使用telnet獲得組件利用率 178
10．3 基準(zhǔn)系統(tǒng) 180
10．4 標(biāo)準(zhǔn)性能模型 182
10．5 解決性能問題 185
10．5．1 案例 #1：CPU飽和 185
10．5．2 案例 #2：代碼阻塞 187
10．5．3 案例 #3：下載器中的“垃圾” 188
10．5．4 案例 #4：大量響應(yīng)或超長(zhǎng)響應(yīng)造成的溢出 191
10．5．5 案例 #5：有限/過度item并發(fā)造成的溢出 193
10．5．6 案例 #6：下載器未充分利用 194
10．6 故障排除流程 197
10．7 本章小結(jié) 198
第 11章 使用Scrapyd與實(shí)時(shí)分析進(jìn)行分布式爬取 199
11．1 房產(chǎn)的標(biāo)題是如何影響價(jià)格的 200
11．2 Scrapyd 200
11．3 分布式系統(tǒng)概述 203
11．4 爬蟲和中間件的變化 205
11．4．1 索引頁分片爬取 205
11．4．2 分批爬取URL 207
11．4．3 從設(shè)置中獲取初始URL 211
11．4．4 在Scrapyd服務(wù)器中部署項(xiàng)目 213
11．5 創(chuàng)建自定義監(jiān)控命令 215
11．6 使用Apache Spark流計(jì)算偏移量 216
11．7 運(yùn)行分布式爬取 218
11．8 系統(tǒng)性能 220
11．9 關(guān)鍵要點(diǎn) 221
11．10 本章小結(jié) 221
附錄A 軟件的安裝與故障排除 222