一个前辈推荐的一本新书,
书到后很快就觉得这是好书。
　　就想要系统的读这本书,
同时也想和大家分享一下。
　　下面是这本数的大致目录
第一部分 创建爬虫第一章 复杂的HTML解析 BeautifulSoup库 Lambda表达式 超越BeautifulSoup第二章 开始采集 遍历单个域名 采集整个网站 通过互联网采集 用Scrapy采集第三章 使用API API概述 API通用规则 服务器响应 Echo Nest Twitter API Google API 解析JSON数据第四章 存储数据 把数据存储到CSV 把数据存储到MongoDB第五章 读取文档 文档编码 纯文本 CSV PDF 微软Word和.docx第二部分 高级数据清洗第六章 数据清洗 编写代码清洗数据 数据存储后清洗数据第七章 自然语言处理 概括数据 马尔代夫模型 自然语言工具包 其他资源第八章 穿越网页表单与登录窗口进行采集 Python Requests 库 提交一个基本表单 单选按钮.复选框和其他输入 提交文件和图像 处理登录和cookie 其他表单问题第九章 采集JavaScript Ajax和动态HTML 处理重定向第十章 图像识别与文字处理 OCR库概述 处理格式规范的文字 读取验证码与训练Tessract 获取验证码提交答案第十一章 避免采集陷阱 伪装爬虫 常见表单安全措施 问题检查表第十二章 用爬虫测试网站 测试简介 Python测试单元 Selenium单元测试 Python单元测试与Selenium单元测试的选择第十三章 远程采集 Tor 代理服务器 远程主机