内容简介

◎ 编辑推荐

Python 之父 Guido van Rossum 推荐的爬虫入门书，第 1 版销量近 100000 册；

微软中国大数据工程师、博客文章过百万的静觅大神力作；

新增异步爬虫、JavaScript 逆向、App 逆向、智能网页解析、深度学习识别验证码、Kubernetes 运维及部署等知识点

◎ 内容简介

本书介绍了如何利用 Python 3 开发网络爬虫。本书为第 2 版，相比于第 1 版，为每个知识点的实战项目配备了针对性的练习平台，避免了案例过期的问题。另外，主要增加了异步爬虫、JavaScript 逆向、App 逆向、页面智能解析、深度学习识别验证码、Kubernetes 运维及部署等知识点，同时也对各个爬虫知识点涉及的请求、存储、解析、测试等工具进行了丰富和更新。

本书适合Python 程序员阅读。

◎ 大佬推荐

I am happy to see that Python is so widely used in the Chinese IT community. I hope this book will help more people understand Python and web crawling/scraping.

——Guido van Rossum，Creator of Python， Distinguished Engineer，Microsoft

时代在不断进步，我们需要不断学习，庆才在工作上是这样，在兴趣上也是这样，这本爬虫书充分体现了这一点。第 2 版相比第 1 版内容更加全面，覆盖的知识点更为广泛，也更贴近技术前沿。本书具有通俗易懂的讲解和丰富的案例代码，可以让读者系统地学习爬虫相关的各种知识，我极力推荐大家阅读本书。

——曾文峰，微软亚洲互联网工程院副院长、微软公司全球合伙人

在今天这个数据驱动的人工智能时代，这个有越来越多移动互联网数据来自 App 的时代，主流的数据来源平台几乎都提高了数据采集的风控水平，这导致数据采集的难度越来越大，此时行业中需要一本书来帮助爬虫工程师提高技术水平。崔庆才的这本《Python 3 网络爬虫开发实战（第2版）》是市场上截至目前公开数据采集领域最好的图书之一，这本书能解答数据采集工作中遇到的大部分问题，更难得的是作者还建立了技术讨论群，方便大家交流和提高。

——梁斌 penny，北京八友科技总经理、清华大学博士

作为第 1 版的升级版，本书增加了很多前沿的爬虫相关技术。从爬虫入门到分布式抓取，本书详细介绍了爬虫技术的各个要点，并针对不同场景提出了不同的解决方案。另外，书中的实战案例也在第 1 版的基础上做了重构升级，能帮助读者更好地学习爬虫技术。本书内容通俗易懂，干货满满，强烈推荐给大家！

——宋睿华，中国人民大学高瓴人工智能学院长聘副教授

作品目录

第1章　爬虫基础 1
1．1　HTTP基本原理　1
1．2　Web 网页基础　12
1．3　爬虫的基本原理　19
1．4　Session和Cookie　21
1．5　代理的基本原理　24
1．6　多线程和多进程的基本原理　26
第2章 基本库的使用　29
2．1　urllib的使用　29
2．2　requests的使用　47
2．3　正则表达式　63
2．4　httpx的使用　73
2．5　基础爬虫案例实战　78
第3章　网页数据的解析提取　90
3．1　XPath的使用　90
3．2　Beautiful Soup的使用　99
3．3　pyquery的使用　113
3．4　parsel 的使用　124
第4章　数据的存储　128
4．1　TXT 文本文件存储　128
4．2　JSON 文件存储　130
4．3　CSV 文件存储　134
4．4　MySQL 存储　138
4．5　MongoDB 文档存储　144
4．6　Redis缓存存储　151
4．7　Elasticsearch 搜索引擎存储　159
4．8　RabbitMQ 的使用　166
第5章　Ajax 数据爬取　174
5．1　什么是 Ajax　174
5．2　Ajax分析方法　176
5．3　Ajax 分析与爬取实战　179
第6章　异步爬虫　191
6．1　协程的基本原理　191
6．2　aiohttp的使用　201
6．3　aiohttp 异步爬取实战　207
第7章　JavaScript 动态渲染页面爬取　212
7．1　Selenium 的使用　212
7．2　Splash 的使用　226
7．3　Pyppeteer 的使用　242
7．4　Playwright 的使用　257
7．5　Selenium 爬取实战　269
7．6　Pyppeteer 爬取实战　276
7．7　CSS 位置偏移反爬案例分析与爬取实战　282
7．8　字体反爬案例分析与爬取实战　287
第8章　验证码的识别　293
8．1　使用 OCR 技术识别图形验证码　293
8．2　使用 OpenCV 识别滑动验证码的缺口　298
8．3　使用深度学习识别图形验证码　304
8．4　使用深度学习识别滑动验证码的缺口　309
8．5　使用打码平台识别验证码　316
8．6　手机验证码的自动化处理　324
第9章　代理的使用　331
9．1　代理的设置　331
9．2　代理池的维护　340
9．3　付费代理的使用　351
9．4　ADSL 拨号代理的搭建方法　357
9．5　代理反爬案例爬取实战　365
第　10章 模拟登录　373
10．1　模拟登录的基本原理　373
10．2　基于Session和Cookie的模拟登录爬取实战　376
10．3　基于JWT的模拟登录爬取实战　381
10．4　大规模账号池的搭建　385
第　11章 JavaScript 逆向爬虫　397
11．1　网站加密和混淆技术简介　397
11．2　浏览器调试常用技巧　413
11．3　JavaScript Hook 的使用　430
11．4　无限 debugger 的原理与绕过　440
11．5　使用 Python 模拟执行 JavaScript　445
11．6　使用 Node．js 模拟执行 JavaScript　451
11．7　浏览器环境下 JavaScript 的模拟执行　454
11．8　AST 技术简介　460
11．9　使用 AST 技术还原混淆代码　472
11．10　特殊混淆案例的还原　480
11．11　WebAssembly 案例分析和爬取实战　490
11．12　JavaScript 逆向技巧总结　498
11．13　JavaScript 逆向爬取实战　505
第　12章 App 数据的爬取　530
12．1　Charles 抓包工具的使用　530
12．2　mitmproxy 抓包工具的使用　538
12．3　mitmdump 实时抓包处理　544
12．4　Appium 的使用　551
12．5　基于 Appium 的 App 爬取实战　562
12．6　Airtest 的使用　568
12．7　基于 Airtest 的 App 爬取实战　585
12．8　手机群控爬取实战　591
12．9　云手机的使用　594
第　13章 Android 逆向　603
13．1　jadx 的使用　603
13．2　JEB 的使用　615
13．3　Xposed 框架的使用　624
13．4　基于 Xposed 的爬取实战案例　635
13．5　Frida 的使用　643
13．6　SSL Pining 问题的解决方案　650
13．7　Android 脱壳技术简介与实战　657
13．8　利用 IDA Pro 静态分析和动态调试 so 文件　664
13．9　基于 Frida-RPC 模拟执行 so 文件　680
13．10　基于 AndServer-RPC 模拟执行 so 文件　685
13．11　基于 unidbg 模拟执行 so 文件　692
第　14章 页面智能解析　700
14．1　页面智能解析简介　700
14．2　详情页智能解析算法简介　707
14．3　详情页智能解析算法的实现　714
14．4　列表页智能解析算法简介　722
14．5　列表页智能解析算法的实现　727
14．6　如何智能分辨列表页和详情页　735
第　15章 Scrapy框架的使用　739
15．1　Scrapy框架介绍　739
15．2　Scrapy入门　743
15．3　Selector 的使用　754
15．4　Spider 的使用　759
15．5　Downloader Middleware的使用　766
15．6　Spider Middleware的使用　775
15．7　Item Pipeline的使用　781
15．8　Extension的使用　792
15．9　Scrapy 对接 Selenium　795
15．10　Scrapy 对接 Splash　801
15．11　Scrapy 对接 Pyppeteer　806
15．12　Scrapy 规则化爬虫　813
15．13　Scrapy 实战　827
第　16章 分布式爬虫　840
16．1　分布式爬虫理念　840
16．2　Scrapy-Redis原理和源码解析　842
16．3　基于Scrapy-Redis的分布式爬虫实现　847
16．4　基于Bloom Filter进行大规模去重　851
16．5　基于RabbitMQ的分布式爬虫　859
第　17章 爬虫的管理和部署　862
17．1　Scrapyd和ScrapydAPI的使用　862
17．2　Scrapyd-Client 的使用　867
17．3　Gerapy 爬虫管理框架的使用　869
17．4　将Scrapy 项目打包成 Docker 镜像　873
17．5　Docker Compose 的使用　878
17．6　Kubernetes的使用　880
17．7　用 Kubernetes 部署和管理 Scrapy 爬虫　888
17．8　Scrapy 分布式爬虫的数据统计方案　899
17．9　基于Prometheus和Grafana的分布式爬虫监控方案　904
附录　爬虫与法律　917
· · · · · ·

作者简介

崔庆才

微软（中国）软件工程师，北京航空航天大学硕士，主要研究网络爬虫、Web 开发、机器学习等方向。