爬虫技术学习大纲

第一课 爬虫的基础技术：静态网页爬取

1. HTML

2. HTTP 协议

3. 爬虫相关的 JavaScript 

4. Python 网络请求

5. 第一个爬虫：蚂蜂窝的游记

第二课 网站评估、正则表达式、网页标签的使用、验证码的处理

1. 网站规模评估

2. 网站结构分析

3. 正则表达式

4. 网页标签的使用

5. lxml 及 XPath

6. 图片识别的基本原理

7. 基于 TesseractOcr 的数字识别

8. 其它验证码识别方法

第三课 多线程与分布式爬虫的实现

1. 线程与进程

2. Python 的多线程限制

3. 从多线程爬虫到多进程爬虫

4. Socket 编程

5. Master 设计

6. Slave 设计

7. 任务调度及通信协议

8. 分布式集群部署的爬虫

9. 分布式部署的爬虫集群实现

第四课 数据库系统与爬虫的数据存储

1. SQL 与 NoSQL

2. Redis

3. MySQL

4. MongoDB

5. 基于分布式数据库系统的爬虫实现

第五课 数据库及优化

1. MySQL 数据库架构

2. 数据库存储引擎及结构

3. 数据库查询过程

4. 数据库优化案例

5. 翻页查询及优化

第六课 PageRank、网页动态重拍及应对反爬虫技术 

1. PageRank 计算模型及推导

2. 网页抓取顺序重排

3. 网站服务架构

4. 寻找与利用分布式服务器

5. 多IP技术与路由控制

6. 应对大多数反爬规则的爬虫系统架构

第七课 Taobao 针对 WebDriver 的识别方案及应对，淘宝、京东网站数据的抓取

1. Selenium + PhantomJS 架构

2. Selenium + Headless Chrome

3. 应对淘宝对 WebDriver 的检查

4. 京东网站结构分析

5. 淘宝数据抓取

第八课 微博的抓取与结构化存储

1. 微博网站分布及结构分析

2. 通过动态页面来抓取

3. 微博网络接口的逆向分析

4. 利用API来抓取微博

第九课 登录、日志系统及守护进程

1. 表单

2. 登录

3. 守护进程

4. 日志系统

第十课 微信：结构分析、AnyProxy 介绍

1. AnyProxy 抓包工具

2. 微信公众号接口分析

3. 利用 NodeJS 重定向接口

第十一课 微信：抓取策略、代码讲解

1. 后台数据获取及保存

2. 利用接口直接获取所有历史消息

3. 应对微信公众号反爬虫的架构设计

第十二课 Scrapy 爬虫框架介绍

1. Sample

2. 框架分析

3. 自动生成爬虫

4. 控制台

5. 流水线

6. 中间件

第十三课 网页自动化分类：机器学习和神经网络实践

1. 人工智能的分类问题

2. 自然语言处理的实体识别

3. 利用 Google 获取实体分类的先验信息

4. 批量分类数据的获取

第十四课 爬虫数据的搜索：ElasticSearch的应用

1. 搜索引擎架构介绍

2. 正排表与倒排表

3. Bool 模型

4. Vector 模型

5. 概率模型

6. TF/IDF

7. 利用神经网络抽取特征并对结果排序

8. Elastic Search