abspider/pythoncrawler

python3网络爬虫笔记与实战源码。记录python爬虫学习全程笔记、参考资料和常见错误，约40个爬取实例与思路解析，涵盖urllib、requests、bs4、jsonpath、re、 pytesseract、PIL等常用库的使用。

pythonCrawler

Notice

1. exe_file 是本程序爬取的附录，全部测试、实战读写路径全部指向exe_file
2. 本爬虫笔记基于b站 Python爬虫从入门到高级实战【92集】千锋Python高级教程
3. 在该教程的基础上对教程中的思路进行实践，对教程出现的错误进行修正，并且另外扩展，并非教程源码照搬
4. 由于时间有限，笔记与代码都位于.py文件中，以注释及代码形式存在，对学习过程中会出现的bug以及难点进行分析
5. 由于作者能力有限以及爬虫技术迭代速度快，代码可能会存在bug，如有此情况，欢迎联系我更正或者pull request
6. 更新日志的正确打开方式：
   • 数字代表每一章，每个数字的第一个py文件是基础知识讲解及简单实践
   • x.x形式的py文件一般是实战内容
   • 例如6.基于xpath...是基础知识，那么6.1就是项目实战内容
   • 所有的py文件都会有思路、踩坑以及知识点的介绍
   • 人性化设置，md文件的更新日志附属笔记的超链接跳转
7. 如果笔记对您有用，麻烦Star谢谢

---

Update log

1. 2019/03-2019/03/12
   • 1.urllib基础
   • 2.利用ajax的特点构建post请求，及对url异常的处理实例：豆瓣，kfc餐厅，百度贴吧的页面爬取
   • 3.以百度翻译为例介绍fiddler中json包的解析
   • 4.Handler处理器的应用：设置ip及cookieJar，人人网模拟登陆
   • 5.1.利用正则表达式提取糗图网页面信息
   • 5.2.正则爬取励志网并建立文章集合页面
2. 2019/04-
   • 项目实战：智联招聘爬虫-通用版：目前已爬取2019年第一季度IT领域招聘信息数据集
     • urllib, BeautifulSoup, 正则表达式, 多线程爬取, json获取, csv文件读写
3. 2019/07/10
   • 6.基于xpath的html页面信息提取
     • 实例：段子网爬取
4. 2019/07/11
   • 6.1.读取文件中的列表格式
     • 实例：文本文件中对象的读取
   • 7.基于图片懒加载技术的图片下载
5. 2019/07/15
   • 8.基于jsonpath的json文件解析方法
     • 实例：智联招聘，填补之前智联爬虫采用正则表达式解析json文件的繁琐方法
     • b站教程以爬取淘宝评论为例，但现淘宝系统过于难爬，此处留坑
6. 2019/07/16
   • 谷歌浏览器驱动，适配谷歌75版本---在exeFile目录下
7. 2019/07/17
   • 9.基于selenium的浏览器控制访问
     • 实例：百度关键字搜索
8. 2019/07/19
   • 9.1.基于Chrome无界面模式浏览，图片懒加载的特点，异步加载的解决方法
     • 实例1：豆瓣电影下拉滚动条，懒加载变化解析
     • 实例2：百度图片搜索，无界面模式实践
9. 2019/07/20
   • 告知：
     • 为方便实例的各种测试文件的查找，在第10章包括以后，每章的测试文件保存在exe_file/x/下
     • x为对应章节，例如第10章，则位于exe_file/10/
   • 10.Requests库的基本用法
     • 实例：百度搜索，必应翻译，登陆人人网为例介绍post、cookie、get的用法
     • 代理使用
   • 10.1.Requests库实战
     • 实例：爬取深圳所有公交路线
     • 运用：json文件读写、Requests库及xpath解析
     • 数据集：深圳公交线路json文件
   • 11.验证码登陆方式
     • 实例：利用返回验证码到本地的方法登陆古诗文网
     • 运用：Requests库（创建会话用于支持cookie），美味汤(beautifulSoup)
10. 2019/07/21-2019/07/26
    • 11.1pytesser介绍
      • 介绍了pytesser库以及PIL库的基本使用
    • 11.2jTessBoxEditor-tesseract字库训练模式
      • 验证码测试脚本
    • 重点：tesseract训练字库详解
      • 通过建立特征字符库，逐层加入识别错误的验证码进行补充训练，可以在三次扩充样本训练后达到90%以上识别率
11. 2019/07/28
    • 12.视频爬取
      • 基于xpath, json, chromeDrive-headless的视频爬取方案
12. 2019/07/29-2019/07/31
    • 13.多线程基础汇总
    • 13.1多线程的面向对象构造形式
    • 13.2队列的基本Queue的基本操作
    • 13.3多线程爬取深圳公交线路
      • 基于10.1的程序进行多线程重构
      • 多线程爬取速度提升至500%
13. 2019/03-2019/05
    • 实战：58同城租房价格爬取
      • 涉及反爬策略，关于编码转化的技巧
    • 实战：**大学排名爬取
      • 美味汤、requests库的使用
    • 实战：美桌网图片爬取实例4则
      • 入门级别
      • 实践多线程、美味汤、requests库

---

Contributing

如果你对这个项目感兴趣，非常乐意你可以将.py文件的笔记和代码进行格式加工

[版权声明]笔记内容是我原创并且开源到github上的，所有内容仅限于学习，不作商用，欢迎star/download/fork，但务必遵守相关开源协议进行使用，原创不易，请勿copy。在实践时遵守爬虫协议，目的只是为了更好的掌握爬虫知识，如果有所影响，请联系我删除，谢谢！