爬虫课程大纲

课程大纲

第一课 静态网页爬虫：爬虫的基础技术
1. HTML
2. CSS 选择器
3. JavaScript 介绍
4. lxml 及 XPath
5. Python 里的网络请求
6. 高速位缓存设计：BloomFilter
7. 第一个爬虫：蚂蜂窝的游记

第二课 登录及动态网页的抓取
1. 表单
2. 网站登录及Cookie
3. Headless 的浏览器：PhantomJS
4. 浏览器的驱动：Selenium
5. 动态网页数据获取

第三课 微博的抓取
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. Java 的反编译
5. 加密库
6. 源代码的接口分析
7. 利用API来抓取微博

第四课 多线程与过进程的爬虫
1. 线程与进程
2. Python 的多线程约束
3. 多个线程同时抓取
4. 多个进程同时抓取

第五课 微博数据的存储：分布式数据库及应用
1. SQL 与 NoSQL
2. Hadoop 架构
3. HDFS
4. HBase
5. MongoDB
6. Redis
7. 基于分布式数据库的分布式爬虫

第六课 多机并行的微博抓取：分布式系统设计
1. Socket 编程
2. Master 设计
3. Slave 设计
4. 任务调度及通信协议
5. 分布式集群部署的爬虫

第七课 分布式系统进阶：复杂的分布式机制
1. 分布式应用协调服务：ZooKeeper
2. 分布式消息队列管理：RabbitMQ/Kafka
3. 服务发布及注册
4. 灰度升级

第八课 微博数据查询：分布式数据库系统的优化及负载均衡
1. 复制与分片
2. 流量控制及均衡
3. 分布式事物及锁
4. Redis 的核心技术介绍
5. MongoDB 的关键技术
6. MySQL 的查询过程介绍及优化要素

第九课 PageRank、网页动态重拍及应对反爬虫技术的手段
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

第十课 验证码的处理，京东、淘宝的数据抓取及存储案
1. 基于距离的图片比
2. 基于 TesseractOcr 的数字识别
3. 其它验证码识别方
4. 京东数据抓取
5. 淘宝数据抓取

第十一课 网页内容排重
1. SimHash
2. 海明距离
3. 海量数据的相似度计算
4. 网页排重
5. 语义哈希简介

第十二课 自动摘要及正文抽
1. 距离与联合概率
2. 自动摘要
3. K-Means 算法
4. 基于Text/Tag 的正文计算
5. PyGoose 的开源系统

第十三课 网页分类与针对文本的机器学习应用
1. 网页分类基础
2. 分词与特征抽取
3. 线性回归
4. SVM
5. Logistic Regession
6. 网页分类
7. 多分类器
8. 词向量简介

第十四课 信息检索、搜索引擎原理及应用
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. Elastic Search