Ekstrakcję danych (ang. web scraping), zwaną też wydobywaniem danych z zasobów internetu, wiele osób postrzega jako wyższy stopień wtajemniczenia: przy niewielkim wysiłku można uzyskać imponujące wyniki i wykorzystać je w różnoraki sposób. Nie dziwi więc, że wokół tej dziedziny narosło mnóstwo mitów. Wątpliwości jest wiele, począwszy od legalności tego rodzaju praktyk, skończywszy na właściwościach różnych narzędzi. W praktyce na ekstrakcję danych składa się cały szereg zróżnicowanych technik i technologii, takich jak analiza danych, analiza składniowa języka naturalnego, a także zabezpieczenie informacji. Aby w pełni wykorzystać ich zalety, konieczne jest zrozumienie sposobu, w jaki funkcjonują.

Ta książka jest znakomitym przewodnikiem po technikach pozyskiwania danych z internetu. Przedstawiono tu również zasady gromadzenia, przekształcania i wykorzystywania danych z różnych zasobów. W kontekście ekstrakcji danych omówiono zagadnienia związane z bazami danych, serwerami sieciowymi, protokołem HTTP, językiem HTML, bezpieczeństwem sieciowym, przetwarzaniem obrazów, analizą danych i wieloma innymi kwestiami. Zaprezentowane tu rozwiązania programistyczne zostały napisane w Pythonie. Nie zabrakło też omówienia bibliotek przydatnych w pracy osób tworzących roboty indeksujące. Dzięki tej książce szybko zaczniesz pozyskiwać i w dowolny sposób wykorzystywać posiadane dane. Już dziś te rozwiązania są stosowane w prognozowaniu rynkowym, tłumaczeniu maszynowym, a nawet w diagnostyce medycznej!

Najważniejsze zagadnienia:

• korzystanie z platformy Scrapy do tworzenia robotów
• metody odczytu, wydobywania i przechowywania pozyskiwanych danych
• oczyszczanie i normalizacja danych
• interfejsy API
• przetwarzanie obrazów na tekst
• testowanie witryn za pomocą robotów

Wyszukuj dane, gromadź je i korzystaj z nich do woli!

Zobacz także:

• The HTML and CSS Workshop 106,79 zł, (29,90 zł -72%)
• HTML5. Kurs video. Poziom pierwszy. Programowanie dla początkujących webmasterów 89,00 zł, (26,70 zł -70%)
• Tworzenie gier w języku HTML5 dla profesjonalistów. Wydanie II 67,42 zł, (20,90 zł -69%)
• HTML 5. Kurs video. Poziom drugi. Tworzenie profesjonalnych stron WWW 89,00 zł, (35,60 zł -60%)
• Sass od podstaw. Kurs video. Budowa kompleksowej strony w oparciu o metodologię BEM 47,93 zł, (22,05 zł -54%)

Spis treści

Ekstrakcja danych z językiem Python. Pozyskiwanie danych z internetu. Wydanie II -- spis treści

• Przedmowa
  • Czym jest ekstrakcja danych z internetu?
  • Dlaczego ekstrakcja danych z internetu?
  • Informacje o książce
  • Konwencje używane w tej książce
  • Kod źródłowy
  • Podziękowania
• Część I Tworzenie pełzaczy
• Rozdział 1. Twój pierwszy robot indeksujący
  • Połączenie
  • Wprowadzenie do biblioteki BeautifulSoup
    • Instalacja biblioteki BeautifulSoup
    • Korzystanie z biblioteki BeautifulSoup
    • Stabilne połączenia i obsługa wyjątków
• Rozdział 2. Zaawansowana analiza składniowa HTML
  • Młotek nie zawsze jest potrzebny
  • Kolejna porcja BeautifulSoup
    • Funkcje find() i find_all()
    • Inne obiekty biblioteki BeautifulSoup
    • Poruszanie się po drzewach hierarchii
      • Dzieci i pozostali potomkowie
      • Rodzeństwo
      • Rodzice
  • Wyrażenia regularne
  • Wyrażenia regularne w bibliotece BeautifulSoup
  • Uzyskiwanie dostępu do atrybutów
  • Wyrażenia lambda
• Rozdział 3. Tworzenie robotów indeksujących
  • Poruszanie się po pojedynczej domenie
  • Pełzanie po całej witrynie
    • Gromadzenie danych z całej witryny
  • Pełzanie po internecie
• Rozdział 4. Modele ekstrakcji danych
  • Planowanie i definiowanie obiektów
  • Obsługa różnych szat graficznych
  • Konstruowanie robotów indeksujących
    • Poruszanie się po witrynach za pomocą paska wyszukiwania
    • Poruszanie się po witrynach za pomocą odnośników
    • Poruszanie się pomiędzy różnymi typami stron
  • Właściwe podejście do procesu tworzenia modeli robotów indeksujących
• Rozdział 5. Scrapy
  • Instalacja biblioteki Scrapy
    • Inicjowanie nowego pająka
  • Pisanie prostego robota indeksującego
  • Korzystanie z pająków przy użyciu reguł
  • Tworzenie elementów
  • Wyświetlanie elementów
  • Potoki elementów
  • Dzienniki zdarzeń w bibliotece Scrapy
  • Dodatkowe zasoby
• Rozdział 6. Przechowywanie danych
  • Pliki multimedialne
  • Przechowywanie danych w plikach CSV
  • MySQL
    • Instalacja środowiska MySQL
    • Podstawowe polecenia
    • Integracja ze środowiskiem Python
    • Techniki bazodanowe i dobre rozwiązania
    • Sześć stopni oddalenia w środowisku MySQL
  • Alerty e-mail
• Część II Zaawansowana ekstrakcja danych
• Rozdział 7. Odczytywanie dokumentów
  • Kodowanie dokumentu
  • Pliki tekstowe
    • Kodowanie tekstu a internet globalny
      • Historia kodowania znaków
      • Kodowanie w akcji
  • Format CSV
    • Odczyt plików CSV
  • Format PDF
  • Edytor Microsoft Word i pliki .docx
• Rozdział 8. Oczyszczanie danych
  • Oczyszczanie na poziomie kodu
    • Normalizacja danych
  • Oczyszczanie pozyskanych danych
    • OpenRefine
      • Instalacja
      • Korzystanie z aplikacji OpenRefine
        • Filtrowanie
        • Oczyszczanie
• Rozdział 9. Odczyt i zapis języków naturalnych
  • Podsumowywanie danych
  • Modele Markowa
    • Sześć stopni oddalenia od Wikipedii podsumowanie
  • Natural Language Toolkit
    • Instalacja i konfiguracja
    • Analiza statystyczna za pomocą pakietu NLTK
    • Analiza leksykologiczna za pomocą pakietu NLTK
  • Dodatkowe zasoby
• Rozdział 10. Kwestia formularzy i pól logowania
  • Biblioteka Requests
  • Przesyłanie podstawowego formularza
  • Przyciski opcji, pola zaznaczania i inne mechanizmy wprowadzania danych
  • Wysyłanie plików i obrazów
  • Pola logowania i ciasteczka
    • Podstawowe uwierzytelnianie protokołu HTTP
  • Inne problemy z formularzami
• Rozdział 11. Ekstrakcja danych a język JavaScript
  • Krótkie wprowadzenie do języka JavaScript
    • Popularne biblioteki JavaScriptu
      • jQuery
      • Google Analytics
      • Google Maps
  • Ajax i dynamiczny HTML
    • Uruchamianie kodu JavaScriptu w środowisku Python za pomocą biblioteki Selenium
    • Dodatkowe obiekty WebDriver
  • Obsługa przekierowań
  • Końcowe uwagi na temat języka JavaScript
• Rozdział 12. Ekstrakcja danych poprzez API
  • Krótkie wprowadzenie do API
    • Metody HTTP a API
    • Dodatkowe informacje na temat odpowiedzi API
  • Analizowanie składni formatu JSON
  • Nieudokumentowane API
    • Wyszukiwanie nieudokumentowanych API
    • Dokumentowanie nieudokumentowanych API
    • Automatyczne wyszukiwanie i dokumentowanie API
  • Łączenie API z innymi źródłami danych
  • Dodatkowe informacje na temat API
• Rozdział 13. Przetwarzanie obrazów i rozpoznawanie tekstu
  • Przegląd bibliotek
    • Pillow
    • Tesseract
      • Instalacja aplikacji Tesseract
      • pytesseract
    • NumPy
  • Przetwarzanie prawidłowo sformatowanego tekstu
    • Automatyczne korygowanie obrazów
    • Ekstrakcja danych z obrazów umieszczonych w witrynach
  • Odczytywanie znaków CAPTCHA i uczenie aplikacji Tesseract
    • Uczenie aplikacji Tesseract
  • Ekstrakcja kodów CAPTCHA i przesyłanie odpowiedzi
• Rozdział 14. Unikanie pułapek na boty
  • Kwestia etyki
  • Udawanie człowieka
    • Dostosuj nagłówki
    • Obsługa ciastek za pomocą języka JavaScript
    • Wyczucie czasu to podstawa
  • Popularne zabezpieczenia formularzy
    • Wartości ukrytych pól wejściowych
    • Unikanie wabików
  • Być człowiekiem
• Rozdział 15. Testowanie witryn internetowych za pomocą robotów indeksujących
  • Wprowadzenie do testowania
    • Czym są testy jednostkowe?
  • Moduł unittest
    • Testowanie Wikipedii
  • Testowanie za pomocą biblioteki Selenium
    • Interakcje z witryną
      • Przeciąganie i upuszczanie elementów
      • Zrzuty ekranu
  • Selenium czy unittest?
• Rozdział 16. Zrównoleglanie procesu ekstrakcji danych
  • Procesy i wątki
  • Wielowątkowa ekstrakcja danych
    • Wyścigi i kolejki
    • Moduł threading
  • Wieloprocesowa ekstrakcja danych
    • Przykład z Wikipedią
    • Komunikacja międzyprocesowa
  • Wieloprocesowa ekstrakcja danych metoda alternatywna
• Rozdział 17. Zdalna ekstrakcja danych z internetu
  • Powody korzystania z serwerów zdalnych
    • Unikanie blokowania adresu IP
    • Przenośność i rozszerzalność
  • Tor
    • PySocks
  • Hosting zdalny
    • Uruchamianie z poziomu serwisu hostingowego
    • Uruchamianie z poziomu chmury
  • Dodatkowe zasoby
• Rozdział 18. Legalność i etyka ekstrakcji danych z internetu
  • Znaki towarowe, prawa autorskie, patenty, ojej!
    • Prawo autorskie
  • Naruszenie prawa własności rzeczy ruchomych
  • Ustawa o oszustwach i nadużyciach komputerowych
  • Plik robots.txt i warunki świadczenia usług
  • Trzy roboty indeksujące
    • Sprawa eBay przeciwko Bidders Edge (prawo własności rzeczy ruchomych)
    • Sprawa Stany Zjednoczone przeciwko Auernheimerowi (ustawa CFAA)
    • Sprawa Field przeciwko Google (prawo autorskie i plik robots.txt)
  • Co dalej?
  • O autorce
  • Kolofon