廣州Python爬蟲與數(shù)據(jù)分析

課程描述 本課程主要針對有一定python編程經(jīng)驗的研發(fā)人員，講解python編寫網(wǎng)絡(luò)爬蟲的相關(guān)知識，主要內(nèi)容有爬蟲的本質(zhì)剖析，從頁面中爬取數(shù)據(jù)的三種方法，如何緩存抓取數(shù)據(jù)以及提取數(shù)據(jù)，并行爬蟲，如何抓取動態(tài)頁面內(nèi)容；與表單的交互；處理頁面中的驗證碼；使用Scarpy編寫爬蟲；網(wǎng)站爬蟲封禁的突破策略；抓取到的數(shù)據(jù)可視化分析； 本課程內(nèi)容豐富，講解由淺入深，并始終以一線開發(fā)經(jīng)驗貫穿始終。通過本課程的學(xué)習(xí)，可使得學(xué)員對Python爬蟲開發(fā)有一個很好的掌握和了解。

課程內(nèi)容： 1、網(wǎng)絡(luò)爬蟲技術(shù)入門 “爬蟲”的概念和本質(zhì) 網(wǎng)絡(luò)爬蟲的實用價值 網(wǎng)絡(luò)爬蟲的法律約束 為什么選擇Python做爬蟲開發(fā)語言 Python的包管理工具-pip 編寫一個網(wǎng)絡(luò)爬蟲 ro******xt介紹 爬蟲一：網(wǎng)頁下載 【案例】網(wǎng)站地圖爬蟲 【案例】遍歷Id爬蟲 【案例】鏈接爬蟲

2、網(wǎng)頁內(nèi)容（數(shù)據(jù)）的抓取 網(wǎng)頁的分析 FireBug Lite等工具 爬蟲技術(shù)三種網(wǎng)頁內(nèi)容抓取方式 正則表達(dá)式 Beautiful Soup Lxml：CSS選擇器抓取 【討論】三種抓取方式的優(yōu)劣對比 【案例】為一個爬蟲增加抓取功能

3、數(shù)據(jù)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(tǒng)限制 文件緩存實現(xiàn)（包含異常處理） 文件緩存測試的執(zhí)行 使用zlib壓縮緩存 清理過期文件緩存數(shù)據(jù) 文件緩存緩存缺陷 【案例】文件緩存實現(xiàn) 爬蟲開發(fā)緩存選擇NoSQL的理由 典型的NoSQL-MongoDB技術(shù)概述 MongoDB緩存實現(xiàn) MongoDB數(shù)據(jù)壓縮 MongoDB緩存測試 【案例】MongoDB緩存實現(xiàn)

4、100萬個網(wǎng)頁以上規(guī)模的網(wǎng)站數(shù)據(jù)抓取-并行爬蟲 常規(guī)串行爬蟲的特性 爬蟲線程和進(jìn)程的工作原理 多線程爬蟲 多進(jìn)程爬蟲 性能分析 【案例】多線程爬蟲 【案例】多進(jìn)程爬蟲

5、JavaScript動態(tài)頁面的爬蟲技術(shù) 動態(tài)頁面示例 對動態(tài)網(wǎng)頁執(zhí)行逆向工程 分析頁面加載數(shù)據(jù)的過程 python的Ajax調(diào)用 邊界優(yōu)化 【案例】動態(tài)網(wǎng)頁的逆向 使用渲染引擎處理動態(tài)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(zhí)行動態(tài)的JavaScript 使用WebKit與網(wǎng)站交互-自定義渲染規(guī)則 瀏覽器自動化API接口提供者-Selenium 【案例】PySide執(zhí)行動態(tài)的JavaScript 【案例】Selenium運行動態(tài)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(wǎng)站 網(wǎng)絡(luò)機(jī)器人實現(xiàn)（網(wǎng)站內(nèi)容自動更新功能） 高級Mechanize模塊實現(xiàn)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(guān)鍵控制環(huán)節(jié) 加載驗證碼圖像 常規(guī)驗證碼圖像處理-OCR（光學(xué)字符識別） Tesseract OCR引擎 閥值化 OCR優(yōu)化 【案例】OCR驗證碼圖像處理 非常規(guī)的復(fù)雜驗證碼圖像處理-9KW 復(fù)雜驗證碼圖像處理服務(wù)概述 9KW入門 集成注冊功能 【案例】調(diào)用9KW服務(wù)進(jìn)行驗證碼圖像處理

8、網(wǎng)絡(luò)爬蟲框架Scrapy（快速編寫spider爬蟲） Scrapy安裝 Scrapy框架的開發(fā)與使用 Scrapy框架爬蟲spider介紹 爬蟲項目默認(rèn)結(jié)構(gòu)生成-startproject 爬取內(nèi)容模型設(shè)定 spider爬蟲創(chuàng)建 如何使用shell 命令抓取 spider爬蟲的中斷與恢復(fù) 【案例】使用Scrapy框架快速編寫爬蟲 基于Scrapy開發(fā)的可視化爬蟲工具-Portia virtualenv 環(huán)境下的-Portia安裝過程 Portia的標(biāo)注 優(yōu)化Portia生成的爬蟲 【案例】使用Portia生成可視化爬蟲 使用Scrapely實現(xiàn)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(zhàn)一】Google搜索引擎 【爬蟲實戰(zhàn)二】寶馬官網(wǎng)-抓取信息

10、爬行數(shù)據(jù)整理和可視化數(shù)據(jù)分析 CSV顯示 Matplotlib的圖形化顯示 iPython和pylad 圖型的初級繪制 默認(rèn)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(biāo)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(wǎng)格／多重網(wǎng)格 極軸圖／3D圖 JS可視化圖表hig******s.js 曲線圖 區(qū)域圖 餅圖 散點圖 氣泡圖 動態(tài)圖表 組合圖表 3D圖 測量圖 熱點圖 樹狀圖 【爬蟲數(shù)據(jù)可視化顯示】某商城商品銷售價格信息

11、復(fù)習(xí)本課程所有的內(nèi)容 總結(jié) 討論和完整案例展