小象 分布式爬虫实战二期课程介绍:
这是一门培养专业爬虫工程师的课程。本课程以大数据业务需求为导向，旨在掌握分布式爬虫的原理、理解互联网技术和各类数据分析挖掘的应用技巧。该课程的学习收益： 1. 掌握分布式爬虫的实现原理以及常用的使用场景，例如内容聚合、过程跟踪、比价、数据挖掘等2. 掌握分布式系统架构设计 3. 掌握常用数据库的原理和使用、开发中需要注意的重点4. 了解如Google、百度、今日头条等互联网公司的产品技术和解决方案5. 了解从文本采集到存储、分析的全套流程，会涉及基础的机器学习、文本分类和搜索引擎的原理6. 针对不同任务，能快速开发网络爬虫满足业务需求。
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. 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
- 微博网站分布及结构分析
- 通过动态页面来抓取
- 微博网络接口的逆向分析
- 利用API来抓取微博
第四课 微信公众号抓取
AnyProxy 抓包工具
- 微信公众号接口分析
- 利用 NodeJS 重定向接口
- 后台数据获取及保存
- 利用接口直接获取所有历史消息
- 应对微信公众号反爬虫的架构设计
第五课 验证码的处理，京东、淘宝的数据抓取及存储案例
1. 基于距离的图片比对
2. 基于 TesseractOcr 的数字识别
3. 其它验证码识别方案
4. 京东数据抓取
5. 淘宝数据抓取
第六课 多线程与多进程的爬虫
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
5. 日志系统设计
第七课 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
第八课 多机并行的微博抓取：分布式系统设计
1. 守护进程
2. Socket 编程
3. Master 设计
4. Slave 设计
5. 任务调度及通信协议
6. 分布式集群部署的爬虫
第九课 PageRank、网页动态重拍及应对反爬虫技术的手段
- PageRank 计算模型及推导
- 网页抓取顺序重排
- 网站服务架构
- 寻找与利用分布式服务器
- 多IP技术与路由控制
- 几乎可以应对所有反爬规则的爬虫系统架构
第十课 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
第十一课 文本自动抽取、网页分类与针对文本的机器学习应用
1. 文本的自动化抽取
2. 文本分类
3. 网页分类基础
4. 分词与特征抽取
5. 线性回归
6. SVM
7. Logistic Regession
8. 网页分类
9. 多分类器
第十二课 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
