分布式爬虫实战

课程大纲

第一课 静态网页爬虫：爬虫的基础技术

HTML
CSS 选择器
JavaScript 介绍
lxml 及 XPath
Python 里的网络请求) 
高速位缓存设计：BloomFilter
第一个爬虫：蚂蜂窝的游记

第二课 登录及动态网页的抓取

表单
网站登录及Cookie
Headless 的浏览器：PhantomJS.
浏览器的驱动：Selenium
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
Java 的反编译
加密库
源代码的接口分析

第四课 多线程与过进程的爬虫

线程与进程
Python 的多线程约束
多个线程同时抓取
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

SQL 与 NoSQL
Hadoop 架构
HDFS
HBase
MongoDB
Redis
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

Socket 编程
Master 设计
Slave 设计
任务调度及通信协议
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

分布式应用协调服务：ZooKeeper
分布式消息队列管理：RabbitMQ/Kafka
服务发布及注册
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

复制与分片
流量控制及均衡
分布式事物及锁
Redis 的核心技术介绍
MongoDB 的关键技术
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

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

第十课 验证码的处理，京东、淘宝的数据抓取及存储案例

基于距离的图片比对
基于 TesseractOcr 的数字识别
其它验证码识别方案
京东数据抓取!
淘宝数据抓取

第十一课 网页内容排重

SimHash
海明距离
海量数据的相似度计算
网页排重
语义哈希简介

第十二课 自动摘要及正文抽取

距离与联合概率
自动摘要
K-Means 算法
基于Text/Tag 的正文计算
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

网页分类基础
分词与特征抽取
线性回归
SVM
Logistic Regession
网页分类
多分类器
词向量简介

第十四课 信息检索、搜索引擎原理及应用

搜索引擎架构介绍
正排表与倒排表
Bool 模型
Vector 模型
概率模型0

Elastic Search