python分布式爬虫打造搜索引擎--------scrapy实现

http://www.cnblogs.com/jinxiao-pu/p/6706319.html

最近在网上学习一门关于scrapy爬虫的课程，觉得还不错，以下是目录还在更新中，我觉得有必要好好的做下笔记，研究研究。

第1章 课程介绍

• 1-1 python分布式爬虫打造搜索引擎简介 07:23

第2章 windows下搭建开发环境

• 2-1 pycharm的安装和简单使用 10:27
• 2-2 mysql和navicat的安装和使用 16:20
• 2-3 windows和linux下安装python2和python3 06:49
• 2-4 虚拟环境的安装和配置 30:53

第3章 爬虫基础知识回顾

• 3-1 技术选型 爬虫能做什么 09:50
• 3-2 正则表达式-1 18:31
• 3-3 正则表达式-2 19:04
• 3-4 正则表达式-3 20:16
• 3-5 深度优先和广度优先原理 25:15
• 3-6 url去重方法 07:44
• 3-7 彻底搞清楚unicode和utf8编码 18:31

第4章 scrapy爬取知名技术文章网站（伯乐在线实战）

• 4-1 scrapy安装以及目录结构介绍 22:33
• 4-2 pycharm 调试scrapy 执行流程 12:35
• 4-3 xpath的用法 - 1 22:17
• 4-4 xpath的用法 - 2 19:00
• 4-5 xpath的用法 - 3 21:22
• 4-6 css选择器实现字段解析 - 1 17:21
• 4-7 css选择器实现字段解析 - 2 16:31
• 4-8 编写spider爬取jobbole的所有文章 - 1 15:40
• 4-9 编写spider爬取jobbole的所有文章 - 2 09:45
• 4-10 items设计 - 1 14:49
• 4-11 items设计 - 2 15:45
• 4-12 items设计 - 3 17:05
• 4-13 数据表设计和保存item到json文件 18:17
• 4-14 通过pipeline保存数据到mysql - 1 18:41
• 4-15 通过pipeline保存数据到mysql - 2 17:58
• 4-16 scrapy item loader机制 - 1 17:26
• 4-17 scrapy item loader机制- 2 20:31

第5章 scrapy爬取知名问答网站（知乎实战）

• 5-1 session和cookie自动登录机制 20:10
• 5-2 requests模拟登陆知乎 - 1 13:32
• 5-3 requests模拟登陆知乎 - 2 13:16
• 5-4 requests模拟登陆知乎 - 3 12:21
• 5-5 scrapy模拟知乎登录 20:46
• 5-6 知乎分析以及数据表设计1 15:17
• 5-7 知乎分析以及数据表设计 - 2 13:35
• 5-8 item loder方式提取question - 1 14:57
• 5-9 item loder方式提取question - 2 15:20
• 5-10 item loder方式提取question - 3 06:45
• 5-11 知乎spider爬虫逻辑的实现以及answer的提取 - 1 15:54
• 5-12 知乎spider爬虫逻辑的实现以及answer的提取 - 2 17:04
• 5-13 保存数据到mysql中 -1 17:27
• 5-14 保存数据到mysql中 -2 17:22
• 5-15 保存数据到mysql中 -3 16:09
• 5-16 (补充小节)知乎验证码登录 - 1_1 16:41
• 5-17 (补充小节)知乎验证码登录 - 2_1 10:32

第6章 通过CrawlSpider对招聘网站进行整站爬取（拉勾网实战）

• 6-1 数据表结构设计 15:33
• 6-2 CrawlSpider源码分析-新建CrawlSpider与settings配置 12:50
• 6-3 CrawlSpider源码分析 25:29
• 6-4 Rule和LinkExtractor使用 14:28
• 6-5 item loader方式解析职位 24:46
• 6-6 职位数据入库-1 19:01
• 6-7 职位信息入库-2 11:19

第7章 Scrapy突破反爬虫的限制（拉勾网实战）

• 7-1 爬虫和反爬的对抗过程以及策略 20:17
• 7-2 scrapy架构源码分析 10:45
• 7-3 Requests和Response介绍 10:18
• 7-4 通过downloadmiddleware随机更换user-agent-1 17:00
• 7-5 通过downloadmiddleware随机更换user-agent - 2 17:13
• 7-6 scrapy实现ip代理池 - 1 16:51
• 7-7 scrapy实现ip代理池 - 2 17:39
• 7-8 scrapy实现ip代理池 - 3 18:46
• 7-9 云打码实现验证码识别 22:37
• 7-10 cookie禁用、自动限速、自定义spider的settings 07:22

第8章 scrapy进阶开发

• 8-1 selenium动态网页请求与模拟登录知乎 21:24
• 8-2 selenium模拟登录微博， 模拟鼠标下拉 11:06
• 8-3 chromedriver不加载图片、phantomjs获取动态网页 09:59
• 8-4 selenium集成到scrapy中 19:43
• 8-5 其余动态网页获取技术介绍-chrome无界面运行、scrapy-splash、selenium-grid, splinter 07:50
• 8-6 scrapy的暂停与重启 12:58
• 8-7 scrapy url去重原理 05:45
• 8-8 scrapy telnet服务 07:37
• 8-9 spider middleware 详解 15:25
• 8-10 scrapy的数据收集 13:44
• 8-11 scrapy信号详解 13:05
• 8-12 scrapy扩展开发 13:16

第9章 scrapy-redis分布式爬虫（实战项目）

• 9-1 分布式爬虫要点 08:39
• 9-2 redis基础知识 - 1 20:31
• 9-3 redis基础知识 - 2 15:58
• 9-4 scrapy-redis编写分布式爬虫代码 21:06
• 9-5 scrapy源码解析-connection.py、defaults.py- 11:05
• 9-6 scrapy-redis源码剖析-dupefilter.py- 05:29
• 9-7 scrapy-redis源码剖析- pipelines.py、 queue.py- 10:41
• 9-8 scrapy-redis源码分析- scheduler.py、spider.py- 11:52
• 9-9 集成bloomfilter到scrapy-redis中 19:30