标签
内容简介
《Python数据抓取技术与实战》由潘庆和、赵星驰编著，电子工业出版社2016年8月出版，全书约41万字、256页，定价49元。全书按照“抓取—分析—可视化”的数据处理主线组织内容，共9章：先从Python安装、pip、帮助与文件操作、循环、异常、元组、列表、字典、集合等基础语法入手，为后续抓取打底；接着讲字符串解析，覆盖常用字符串函数、正则表达式、BeautifulSoup与JSON结构，解决“如何从网页文本里取到想要的字段”；随后进入单机数据抓取，讲顺序抓取、requests库以及并发与并行抓取；再进一步介绍基于RPC与Celery的分布式抓取方案，以及Selenium在单机和分布式环境下的使用、在Linux无图形界面下运行Selenium的做法。书中还专门讨论了IP封锁问题与Tor代理的安装、多线程使用及与Selenium的结合，并汇总Flash、桌面程序、U盘、二级三级页面、图片处理、App数据抓取等常见问题，最后介绍监控框架的搭建实例与Hadoop生态圈、Cloudera环境搭建等大数据相关内容。全书按篇自成一体，读者可以根据需要单篇学习。
编辑推荐
市面上不少爬虫书只讲“用一个库发请求、用一个库解析网页”，讲完静态页面就收尾。这本书的可贵之处在于把抓取当成一条完整工程链路来写：先用一章把Python基础补齐，避免零基础读者卡在语法上；再用字符串解析一章把正则、BeautifulSoup、JSON三种“取数”手段讲清楚；接着从单机顺序抓取过渡到并发并行，再到RPC与Celery的分布式方案，难度是逐级抬升的。Selenium和Tor两章更贴近真实工作中的痛点——需要渲染的页面和需要换IP的反爬场景，而且给出了在Linux无图形界面服务器上跑Selenium的做法，这一点对做后台采集的工程师很实用。第7章把Flash、桌面程序、U盘、App数据等“非标准页面”的情况单独列出，说明作者确实做过不少实战。当然，本书出版于2016年，书中示例针对的是当时的Python版本与网站环境，Selenium、Tor、Hadoop的版本和配置细节今天需要对照新版文档调整。适合作为建立抓取全局认知的入门到进阶读物，不建议当作查阅具体API的工具书。
适合谁读
适合
- 已经会一点Python语法、想系统补齐爬虫知识链条的初学者
- 需要从单机爬虫升级到分布式采集的后端或数据工程人员
- 要处理动态渲染页面、需要Selenium与代理方案的数据采集从业者
- 计算机相关专业学生，用作课程设计或毕业项目的实践参考
不适合
- 完全没有编程基础、需要从零系统学Python的读者
- 只想要最新版爬虫库API速查手册的资深工程师
- 关注反爬对抗前沿技术（如指纹识别、验证码破解）的读者
阅读建议
- 先读第1、2章确认基础与解析手段是否熟练，已掌握可快速跳过
- 第3章的并发并行与第4章的分布式建议配合实际项目动手复现，不要只读代码
- 第5、6章涉及Selenium与Tor，动手前先查阅当前版本的官方文档，书中配置可能已过时
- 阅读时记录书中提到的库并检查其当前维护状态，遇到废弃库优先找官方替代方案
出版社简介
电子工业出版社
中国 · 成立于 1982 年
电子工业出版社是一家以电子信息及相关领域为出版特色的综合性出版社。从库内三千余种图书来看，其出版方向覆盖编程设计、人工智能、计算机综合、财经、摄影与社科等门类，既关注技术前沿，也兼顾大众阅读。代表图书包括《因子投资：方法与实践》《x86汇编语言：从实模式到保护模式》《RISC-V开放架构设计之道》《人工智能：语音识别理解与实践》《相控阵雷达技术》《雷达目标特性》及《100个Go语言典型错误》等，多围绕技术方法与工程实践展开。作者资源方面，有石川、李忠、王晓波、大卫·帕特森、安德鲁·沃特曼、余子濠等中外作者。受公开资料所限，暂不展开更多出版特色。
目录
- 第1章 Python基础（Python安装、安装pip、如何查看帮助、第一个实例、文件操作、循环、异常、元组、列表、字典、集合、随机数、enumerate的使用、第二个实例）
- 第2章 字符串解析（常用函数、正则表达式、BeautifulSoup、json结构）
- 第3章 单机数据抓取（单机顺序抓取、requests、并发和并行抓取）
- 第4章 分布式数据抓取（RPC的使用、Celery系统）
- 第5章 全能的Selenium（Selenium单机抓取、Selenium分布式抓取、Linux无图形界面使用Selenium）
- 第6章 神秘的Tor（抓取时IP被封锁的问题、Tor的安装与使用、Tor的多线程使用、Tor与Selenium结合）
- 第7章 抓取常见问题（Flash、桌面程序、U盘、二级三级页面、图片的处理、App数据抓取）
- 第8章 监控框架（框架说明、监控系统实例）
- 第9章 拥抱大数据（Hadoop生态圈、Cloudera环境搭建）
常见问题
这本书适合零基础学Python的人直接读吗？
不太建议。第1章只用了约40页快速过一遍安装、循环、异常、元组、列表、字典、集合等语法，属于“复习式”写法。若完全没有编程经验，建议先系统学完Python基础，再回来读第2章之后的抓取内容。
书中的技术内容现在还适用吗？
抓取的整体思路（请求、解析、并发、分布式、浏览器自动化、代理换IP）依然成立，但具体版本与配置有变化，例如Selenium驱动方式、Python版本、Hadoop与Cloudera的安装步骤都需要对照当前官方文档，不宜照抄。
这本书讲Scrapy框架吗？
从公开目录看，本书没有专门的Scrapy章节，抓取部分以自己编写抓取程序、requests、并发并行、RPC与Celery、Selenium为主。如果需要系统学习Scrapy，需另找专门教程。
为什么书中要讲Tor，是否涉及违规内容？
该章针对的是抓取时IP被封锁这一常见工程问题，介绍Tor的安装、多线程使用以及与Selenium结合的方式。实际采集时应遵守目标网站的服务条款和robots规则，控制访问频率，不得用于获取非公开或他人隐私数据。
读者评论
查询本书
本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。
