Webbots、Spiders和Screen Scrapers 技术解析与应用实践2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

Webbots、Spiders和Screen Scrapers 技术解析与应用实践PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 基础概念和技术3

第1章 本书主要内容3

1.1发现互联网的真正潜力3

1.2对开发者来说3

1.2.1网络机器人开发者是紧缺人才4

1.2.2编写网络机器人是有趣的4

1.2.3网络机器人利用了“建设性黑客”技术4

1.3对企业管理者来说5

1.3.1为业务定制互联网5

1.3.2充分利用公众对网络机器人的经验不足5

1.3.3事半功倍6

1.4结论6

第2章 网络机器人项目创意7

2.1浏览器局限性的启发7

2.1.1聚合并过滤相关信息的网络机器人7

2.1.2解释在线信息的网络机器人8

2.1.3个人代理网络机器人9

2.2从疯狂的创意开始9

2.2.1帮助繁忙的人解脱10

2.2.2自动执行，节省开支10

2.2.3保护知识产权10

2.2.4监视机会11

2.2.5在网站上验证访问权限11

2.2.6创建网上剪报服务11

2.2.7寻找未授权的Wi-Fi网络12

2.2.8跟踪网站技术12

2.2.9让互不兼容的系统通信12

2.3结论13

第3章 下载网页14

3.1当它们是文件，而不是网页14

3.2用PHP的内置函数下载文件15

3.2.1用fopen（）和fgets（）下载文件15

3.2.2用file（）函数下载文件17

3.3 PHP/CURL库介绍18

3.3.1多种传输协议18

3.3.2表单提交19

3.3.3基本认证技术19

3.3.4 cookie19

3.3.5重定向19

3.3.6代理名称欺诈19

3.3.7上链管理20

3.3.8套接字管理20

3.4安装PHP/CURL20

3.5 LIB_http库21

3.5.1熟悉默认值21

3.5.2使用LIB_http21

3.5.3了解更多HTTP标头信息24

3.5.4检查LIB http的源代码25

3.6结论25

第4章 基本解析技术26

4.1内容与标签相混合26

4.2解析格式混乱的HTML文件26

4.3标准解析过程27

4.4使用LIB_parse库27

4.4.1用分隔符分解字符串：split_string（）函数27

4.4.2提取分隔符之间的部分：return_between（）函数28

4.4.3将数据集解析到数组之中：parse_array（）函数29

4.4.4提取属性值：get_attribute（）函数30

4.4.5移除无用文本：remove（）函数32

4.5有用的PHP函数32

4.5.1判断一个字符串是否在另一个字符串里面32

4.5.2用一个字符串替换另一个字符串中的一部分33

4.5.3解析无格式文本33

4.5.4衡量字符串的相似度34

4.6结论34

4.6.1别相信编码混乱的网页34

4.6.2小步解析35

4.6.3不要在调试的时候渲染解析结果35

4.6.4少用正则表达式35

第5章 使用正则表达式的高级解析技术36

5.1模式匹配——正则表达式的关键36

5.2 PHP的正则表达式类型36

5.2.1 PHP正则表达式函数37

5.2.2与PHP内置函数的相似之处38

5.3从例子中学习模式匹配39

5.3.1提取数字39

5.3.2探测字符串序列39

5.3.3字母字符匹配40

5.3.4通配符匹配40

5.3.5选择匹配41

5.3.6分组和范围匹配的正则表达式41

5.4与网络机器人开发者相关的正则表达式41

5.4.1提取电话号码42

5.4.2下一步学习什么45

5.5何时使用正则表达式46

5.5.1正则表达式的长处46

5.5.2模式匹配用于解析网页的劣势46

5.5.3哪个更快，正则表达式还是PHP的内置函数48

5.6结论48

第6章 自动表单提交49

6.1表单接口的反向工程50

6.2表单处理器、数据域、表单方法和事件触发器50

6.2.1表单处理器50

6.2.2数据域51

6.2.3表单方法52

6.2.4多组件编码54

6.2.5事件触发器54

6.3无法预测的表单55

6.3.1 JavaScript能在提交之前修改表单55

6.3.2表单HTML代码通常无法阅读55

6.3.3 cookie在表单里不存在，却会影响其操作55

6.4分析表单55

6.5结论59

6.5.1不要暴露身份59

6.5.2正确模拟浏览器59

6.5.3避免表单错误60

第7章 处理大规模数据61

7.1组织数据61

7.1.1命名规范61

7.1.2在结构化文件里存储数据62

7.1.3在数据库里存储文本数据64

7.1.4在数据库里存储图片66

7.1.5用数据库，还是用文件系统68

7.2减小数据规模68

7.2.1保存图片文件的地址68

7.2.2压缩数据68

7.2.3移除格式信息71

7.3生成图片的缩略图72

7.4结论73

第二部分 网络机器人项目77

第8章 价格监控网络机器人77

8.1目标网站77

8.2设计解析脚本78

8.3初始化以及下载目标网页79

8.4进一步探讨83

第9章 图片抓取网络机器人84

9.1图片抓取网络机器人例子84

9.2创建图片抓取网络机器人85

9.2.1二进制安全下载过程86

9.2.2目录结构87

9.2.3主脚本87

9.3进一步探讨90

9.4结论90

第10章 链接校验网络机器人91

10.1创建链接校验网络机器人91

10.1.1初始化网络机器人并下载目标网页92

10.1.2设置页面基准92

10.1.3提取链接93

10.1.4运行校验循环93

10.1.5生成URL完整路径93

10.1.6下载全链接路径94

10.1.7展示页面状态95

10.2运行网络机器人95

10.2.1 LIB_http_codes96

10.2.2 LIB_resolve_addresses96

10.3进一步探讨97

第11章 搜索排名检测网络机器人98

11.1搜索结果页介绍99

11.2搜索排名检测网络机器人做什么工作100

11.3运行搜索排名检测网络机器人100

11.4搜索排名检测网络机器人的工作原理101

11.5搜索排名检测网络机器人脚本101

11.5.1初始化变量102

11.5.2开始循环102

11.5.3获取搜索结果103

11.5.4解析搜索结果103

11.6结论106

11.6.1对数据源要厚道106

11.6.2搜索网站对待网络机器人可能会不同于浏览器106

11.6.3爬取搜索引擎不是好主意106

11.6.4熟悉Google API107

11.7进一步探讨107

第12章 信息聚合网络机器人108

12.1给网络机器人选择数据源108

12.2信息聚合网络机器人举例109

12.2.1熟悉RSS源109

12.2.2编写信息聚合网络机器人111

12.3给信息聚合网络机器人添加过滤机制114

12.4进一步探讨115

第13章 FTP网络机器人116

13.1 FTP网络机器人举例116

13.2 PHP和FTP118

13.3进一步探讨119

第14章 阅读电子邮件的网络机器人120

14.1 POP3协议120

14.1.1登录到POP3邮件服务器120

14.1.2从POP3邮件服务器上读取邮件121

14.2用网络机器人执行POP3命令123

14.3进一步探讨125

14.3.1电子邮件控制的网络机器人125

14.3.2电子邮件接口125

第15章 发送电子邮件的网络机器人127

15.1电子邮件、网络机器人以及垃圾邮件128

15.2使用SMTP和PHP发送邮件128

15.2.1配置PHP发送邮件128

15.2.2使用mai10函数发送电子邮件129

15.3编写发送电子邮件通知的网络机器人130

15.3.1让合法的邮件不被过滤掉132

15.3.2发送HTML格式的电子邮件132

15.4进一步探讨134

15.4.1使用回复邮件剪裁访问列表134

15.4.2使用电子邮件作为你的网络机器人运行的通知134

15.4.3利用无线技术134

15.4.4编写发送短信的网络机器人135

第16章 将一个网站转变成一个函数136

16.1编写一个函数接口136

16.1.1定义函数接口137

16.1.2分析目标网页137

16.1.3使用describe_zipcode（）函数140

16.2结论141

16.2.1资源分发142

16.2.2使用标准接口142

16.2.3设计定制的轻量级“Web服务”142

第三部分 高级设计技巧145

第17章 蜘蛛145

17.1蜘蛛的工作原理145

17.2蜘蛛脚本示例146

17.3 LIB_simple_spider149

17.3.1 harvest_links（）149

17.3.2 archive_links（）149

17.3.3 get_domain（）150

17.3.4 exclude_link（）150

17.4使用蜘蛛进行实验152

17.5添加载荷152

17.6进一步探讨153

17.6.1在数据库中保存链接153

17.6.2分离链接和载荷153

17.6.3在多台计算机上分配任务153

17.6.4管理页面请求154

第18章 采购机器人和秒杀器155

18.1采购机器人的原理155

18.1.1获取采购标准155

18.1.2认证买家155

18.1.3核对商品156

18.1.4评估购物触发条件156

18.1.5执行购买157

18.1.6评估结果157

18.2秒杀器的原理157

18.2.1获取采购标准158

18.2.2认证竞拍者158

18.2.3核对拍卖商品158

18.2.4同步时钟158

18.2.5竞价时间159

18.2.6提交竞价160

18.2.7评估结果160

18.3测试自己的网络机器人和秒杀器160

18.4进一步探讨160

18.5结论161

第19章 网络机器人和密码学162

19.1设计使用加密的网络机器人162

19.1.1 SSL和PHP内置函数163

19.1.2加密和PHP/CURL163

19.2网页加密的简要概述163

19.3结论164

第20章 认证165

20.1认证的概念165

20.1.1在线认证的类型165

20.1.2用多种方式加强认证166

20.1.3认证和网络机器人166

20.2示例脚本和实践页面166

20.3基本认证167

20.4会话认证168

20.4.1使用cookie会话的认证169

20.4.2使用查询会话进行认证172

20.5结论174

第21章 高级cookie管理175

21.1 cookie的工作原理175

21.2 PHP/CURL和cookie177

21.3网络机器人设计中面临的cookie难题178

21.3.1擦除临时性cookie178

21.3.2管理多用户的cookie178

21.4进一步探讨179

第22章 计划运行网络机器人和蜘蛛180

22.1为网络机器人配置计划任务180

22.2 Windows XP任务调度程序181

22.2.1计划网络机器人按日运行181

22.2.2复杂的计划182

22.3 Windows 7任务调度程序184

22.4非日历事件触发器186

22.5结论188

22.5.1如何决定网络机器人的最佳运行周期188

22.5.2避免单点故障188

22.5.3在计划中加入变化性188

第23章 使用浏览器宏抓取怪异的网站189

23.1高效网页抓取的阻碍190

23.1.1 AJAX190

23.1.2怪异的JavaScript和cookie行为190

23.1.3 Flash190

23.2使用浏览器宏解决网页抓取难题191

23.2.1浏览器宏的定义191

23.2.2模拟浏览器的终极网络机器人191

23.2.3安装和使用iMacros191

23.2.4创建第一个宏192

23.3结论197

23.3.1宏的必要性197

23.3.2其他用途197

第24章 修改iMacros198

24.1增强iMacros的功能198

24.1.1不使用iMacros脚本引擎的原因198

24.1.2创建动态宏199

24.1.3自动装载iMacros202

24.2进一步探讨204

第25章 部署和扩展205

25.1一对多环境205

25.2一对一环境206

25.3多对多环境206

25.4多对一环境206

25.5扩展和拒绝服务攻击207

25.5.1简易的网络机器人也会产生大量数据207

25.5.2目标的低效207

25.5.3过度扩展的弊端207

25.6创建多个网络机器人的实例208

25.6.1创建进程208

25.6.2利用操作系统208

25.6.3在多台计算机上分发任务208

25.7管理僵尸网络209

25.8进一步探讨215

第四部分 拓展知识219

第26章 设计隐蔽的网络机器人和蜘蛛219

26.1设计隐蔽网络机器人的原因219

26.1.1 日志文件219

26.1.2日志监控软件222

26.2模拟人类行为实现隐蔽222

26.2.1善待资源222

26.2.2在繁忙的时刻运行网络机器人222

26.2.3在每天不同时刻运行网络机器人223

26.2.4不要在假期和周末运行网络机器人223

26.2.5使用随机的延迟时间223

26.3结论223

第27章 代理226

27.1代理的概念226

27.2虚拟世界中的代理226

27.3网络机器人开发者使用代理的原因226

27.3.1使用代理实现匿名227

27.3.2使用代理改变位置229

27.4使用代理服务器229

27.4.1在浏览器中使用代理229

27.4.2通过PHP/CURL使用代理230

27.5代理服务器的类型230

27.5.1公共代理230

27.5.2 Tor232

27.5.3商业代理234

27.6结论234

27.6.1匿名是过程，不是特性234

27.6.2创建自己的代理服务235

第28章 编写容错的网络机器人236

28.1网络机器人容错的类型236

28.1.1适应URL变化236

28.1.2适应页面内容的变化240

28.1.3适应表单的变化242

28.1.4适应cookie管理的变化243

28.1.5适应网络中断和网络拥堵243

28.2错误处理器244

28.3进一步探讨245

第29章 设计受网络机器人青睐的网站246

29.1针对搜索引擎蜘蛛优化网页246

29.1.1定义明确的链接246

29.1.2谷歌轰炸和垃圾索引247

29.1.3标题标签247

29.1.4元标签247

29.1.5标头标签248

29.1.6图片的alt属性248

29.2阻碍搜索引擎蜘蛛的网页设计技巧248

29.2.1 JavaScript249

29.2.2非ASCⅡ内容249

29.3设计纯数据接口249

29.3.1 XML249

29.3.2轻量级数据交换251

29.3.3简单对象访问协议253

29.3.4表征状态转移254

29.4结论255

第30章 消灭蜘蛛256

30.1合理地请求256

30.1.1创建服务协议条款257

30.1.2使用robots.txt文件257

30.1.3使用robots元标签258

30.2创造障碍258

30.2.1选择性地允许特定的网页代理259

30.2.2使用混淆259

30.2.3使用cookie、加密、JavaScript和重定向259

30.2.4认证用户260

30.2.5频繁升级网站260

30.2.6在其他媒体中嵌入文本260

30.3设置陷阱261

30.3.1创建蜘蛛陷阱261

30.3.2处理不速之客的方法261

30.4结论262

第31章 远离麻烦263

31.1尊重264

31.2版权264

31.2.1请善用资源264

31.2.2不要纸上谈兵265

31.3侵犯动产267

31.4互联网法律268

31.5结论269

附录A PHP/CURL参考270

附录B 状态码277

附录C 短信网关280