作为一种便捷地收集网上信息并从中抽取出可用信息的方式，网络爬虫技术变得越来越有用。使用Pvthon这样的简单编程语言，你仅需要使用少量编程技能就可以爬取复杂的网站。

理查德·劳森编著、李斌编译的《用Python写网络爬虫》作为使用Pvthon来爬取网络数据的权威指南，讲解了从静态页面爬取数据的方法以及使用缓存来管理服务器负载的方法。此外，本书还介绍了如何使用AJAX URL和Firebug扩展来爬取数据，以及有关爬取技术的更多真相，比如使用浏览器渲染、管理cookie、通过提交表单从受验证码保护的复杂网站中抽取数据等。最后，本书使用Scrapy创建了一个高级网络爬虫，并对一些真实的网站进行了爬取。

理查德·劳森编著、李斌编译的《用Python写网络爬虫》讲解了如何使用Python来编写网络爬虫程序，内容包括网络爬虫简介，从页面中抓取数据的三种方法，提取缓存中的数据，使用多个线程和进程来进行并发抓取，如何抓取动态页面中的内容，与表单进行交互，处理页面中的验证码问题，以及使用Scarpy和Portia来进行数据抓取，并在最后使用本书介绍的数据抓取技术对几个真实的网站进行了抓取，旨在帮助读者活学活用书中介绍的技术。

本书适合有一定Python编程经验，而且对爬虫技术感兴趣的读者阅读。

第1章 网络爬虫简介

 1.1　网络爬虫何时有用　

 1.2　网络爬虫是否合法　

 1.3　背景调研　

1.3.1　检查robots.txt　

1.3.2　检查网站地图　

1.3.3　估算网站大小　

1.3.4　识别网站所用技术　

1.3.5　寻找网站所有者　

 1.4　编写第一个网络爬虫　

1.4.1　下载网页　

1.4.2　网站地图爬虫　

1.4.3　ID遍历爬虫　

1.4.4　链接爬虫　

 1.5　本章小结　

第2章　数据抓取　

 2.1　分析网页　

 2.2　三种网页抓取方法　

2.2.1　正则表达式　

2.2.2　Beautiful Soup　

2.2.3　Lxml　

2.2.4　性能对比　

2.2.5　结论　

2.2.6　为链接爬虫添加抓取回调　

 2.3　本章小结　

第3章　下载缓存　

 3.1　为链接爬虫添加缓存支持　

 3.2　磁盘缓存　

3.2.1　实现　

3.2.2　缓存测试　

3.2.3　节省磁盘空间　

3.2.4　清理过期数据　

3.2.5　缺点　

 3.3　数据库缓存　

3.3.1　NoSQL是什么　

3.3.2　安装MongoDB　

3.3.3　MongoDB概述　

3.3.4　MongoDB缓存实现　

3.3.5　压缩　

3.3.6　缓存测试　

 3.4　本章小结　

第4章　并发下载　

 4.1　100万个网页　

 4.2　串行爬虫　

 4.3　多线程爬虫　

4.3.1　线程和进程如何工作　

4.3.2　实现　

4.3.3　多进程爬虫　

 4.4　性能　

 4.5　本章小结　

第5章　动态内容　

 5.1　动态网页示例　

 5.2　对动态网页进行逆向工程　

 5.3　渲染动态网页　

5.3.1　PyQt还是PySide　

5.3.2　执行JavaScript　

5.3.3　使用WebKit与网站交互　

5.3.4　Selenium　

 5.4　本章小结　

第6章　表单交互　

 6.1　登录表单　

 6.2　支持内容更新的登录脚本扩展　

 6.3　使用Mechanize模块实现自动化表单处理　

 6.4　本章小结　

第7章　验证码处理　

 7.1　注册账号　

 7.2　光学字符识别　

 7.3　处理复杂验证码　

7.3.1　使用验证码处理服务　

7.3.2　9kw入门　

7.3.3　与注册功能集成　

 7.4　本章小结　

第8章　Scrapy　

 8.1　安装　

 8.2　启动项目　

8.2.1　定义模型　

8.2.2　创建爬虫　

8.2.3　使用shell命令抓取　

8.2.4　检查结果　

8.2.5　中断与恢复爬虫　

 8.3　使用Portia编写可视化爬虫　

8.3.1　安装　

8.3.2　标注　

8.3.3　优化爬虫　

8.3.4　检查结果　

 8.4　使用Scrapely实现自动化抓取　

 8.5　本章小结　

第9章　总结　

 9.1　Google搜索引擎　

 9.2　Facebook　

9.2.1　网站　

9.2.2　API　

 9.3　Gap　

 9.4　宝马　

 9.5　本章小结