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robots.txt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 SoupLxml：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JavaScript6、表单交互登陆表单GET/POSTURLencode/URLdecodeheader & 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robots.txt剖析user agentreferrer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highcharts.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