第一部分 基础概念和技术

第1章 本书主要内容

1.1发现互联网的真正潜力

1.2对开发者来说

1.2.1网络机器人开发者是紧缺人才

1.2.2编写网络机器人是有趣的

1.2.3网络机器人利用了“建设性黑客”技术

1.3对企业管理者来说

1.3.1为业务定制互联网

1.3.2充分利用公众对网络机器人的经验不足

1.3.3事半功倍

1.4结论

第2章 网络机器人项目创意

2.1浏览器局限性的启发

2.1.1聚合并过滤相关信息的网络机器人

2.1.2解释在线信息的网络机器人

2.1.3个人代理网络机器人

2.2从疯狂的创意开始

2.2.1帮助繁忙的人解脱

2.2.2自动执行，节省开支

2.2.3保护知识产权

2.2.4监视机会

2.2.5在网站上验证访问权限

2.2.6创建网上剪报服务

2.2.7寻找未授权的Wi-Fi网络

2.2.8跟踪网站技术

2.2.9让互不兼容的系统通信

2.3结论

第3章 下载网页

3.1当它们是文件，而不是网页

3.2用PHP的内置函数下载文件

3.2.1用fopen（）和fgets（）下载文件

3.2.2用file（）函数下载文件

3.3 PHP/CURL库介绍

3.3.1多种传输协议

3.3.2表单提交

3.3.3基本认证技术

3.3.4 cookie

3.3.5重定向

3.3.6代理名称欺诈

3.3.7上链管理

3.3.8套接字管理

3.4安装PHP/CURL

3.5 LIB_http库

3.5.1熟悉默认值

3.5.2使用LIB_http

3.5.3了解更多HTTP标头信息

3.5.4检查LIB http的源代码

3.6结论

第4章 基本解析技术

4.1内容与标签相混合

4.2解析格式混乱的HTML文件

4.3标准解析过程

4.4使用LIB_parse库

4.4.1用分隔符分解字符串：split_string（）函数

4.4.2提取分隔符之间的部分：return_between（）函数

4.4.3将数据集解析到数组之中：parse_array（）函数

4.4.4提取属性值：get_attribute（）函数

4.4.5移除无用文本：remove（）函数

4.5有用的PHP函数

4.5.1判断一个字符串是否在另一个字符串里面

4.5.2用一个字符串替换另一个字符串中的一部分

4.5.3解析无格式文本

4.5.4衡量字符串的相似度

4.6结论

4.6.1别相信编码混乱的网页

4.6.2小步解析

4.6.3不要在调试的时候渲染解析结果

4.6.4少用正则表达式

第5章 使用正则表达式的高级解析技术

5.1模式匹配——正则表达式的关键

5.2 PHP的正则表达式类型

5.2.1 PHP正则表达式函数

5.2.2与PHP内置函数的相似之处

5.3从例子中学习模式匹配

5.3.1提取数字

5.3.2探测字符串序列

5.3.3字母字符匹配

5.3.4通配符匹配

5.3.5选择匹配

5.3.6分组和范围匹配的正则表达式

5.4与网络机器人开发者相关的正则表达式

5.4.1提取电话号码

5.4.2下一步学习什么

5.5何时使用正则表达式

5.5.1正则表达式的长处

5.5.2模式匹配用于解析网页的劣势

5.5.3哪个更快，正则表达式还是PHP的内置函数

5.6结论

第6章 自动表单提交

6.1表单接口的反向工程

6.2表单处理器、数据域、表单方法和事件触发器

6.2.1表单处理器

6.2.2数据域

6.2.3表单方法

6.2.4多组件编码

6.2.5事件触发器

6.3无法预测的表单

6.3.1 JavaScript能在提交之前修改表单

6.3.2表单HTML代码通常无法阅读

6.3.3 cookie在表单里不存在，却会影响其操作

6.4分析表单

6.5结论

6.5.1不要暴露身份

6.5.2正确模拟浏览器

6.5.3避免表单错误

第7章 处理大规模数据

7.1组织数据

7.1.1命名规范

7.1.2在结构化文件里存储数据

7.1.3在数据库里存储文本数据

7.1.4在数据库里存储图片

7.1.5用数据库，还是用文件系统

7.2减小数据规模

7.2.1保存图片文件的地址

7.2.2压缩数据

7.2.3移除格式信息

7.3生成图片的缩略图

7.4结论

第二部分 网络机器人项目

第8章 价格监控网络机器人

8.1目标网站

8.2设计解析脚本

8.3初始化以及下载目标网页

8.4进一步探讨

第9章 图片抓取网络机器人

9.1图片抓取网络机器人例子

9.2创建图片抓取网络机器人

9.2.1二进制安全下载过程

9.2.2目录结构

9.2.3主脚本

9.3进一步探讨

9.4结论

第10章 链接校验网络机器人

10.1创建链接校验网络机器人

10.1.1初始化网络机器人并下载目标网页

10.1.2设置页面基准

10.1.3提取链接

10.1.4运行校验循环

10.1.5生成URL完整路径

10.1.6下载全链接路径

10.1.7展示页面状态

10.2运行网络机器人

10.2.1 LIB_http_codes

10.2.2 LIB_resolve_addresses

10.3进一步探讨

第11章 搜索排名检测网络机器人

11.1搜索结果页介绍

11.2搜索排名检测网络机器人做什么工作

11.3运行搜索排名检测网络机器人

11.4搜索排名检测网络机器人的工作原理

11.5搜索排名检测网络机器人脚本

11.5.1初始化变量

11.5.2开始循环

11.5.3获取搜索结果

11.5.4解析搜索结果

11.6结论

11.6.1对数据源要厚道

11.6.2搜索网站对待网络机器人可能会不同于浏览器

11.6.3爬取搜索引擎不是好主意

11.6.4熟悉Google API

11.7进一步探讨

第12章 信息聚合网络机器人

12.1给网络机器人选择数据源

12.2信息聚合网络机器人举例

12.2.1熟悉RSS源

12.2.2编写信息聚合网络机器人

12.3给信息聚合网络机器人添加过滤机制

12.4进一步探讨

第13章 FTP网络机器人

13.1 FTP网络机器人举例

13.2 PHP和FTP

13.3进一步探讨

第14章 阅读电子邮件的网络机器人

14.1 POP3协议

14.1.1登录到POP3邮件服务器

14.1.2从POP3邮件服务器上读取邮件

14.2用网络机器人执行POP3命令

14.3进一步探讨

14.3.1电子邮件控制的网络机器人

14.3.2电子邮件接口

第15章 发送电子邮件的网络机器人

15.1电子邮件、网络机器人以及垃圾邮件

15.2使用SMTP和PHP发送邮件

15.2.1配置PHP发送邮件

15.2.2使用mai10函数发送电子邮件

15.3编写发送电子邮件通知的网络机器人

15.3.1让合法的邮件不被过滤掉

15.3.2发送HTML格式的电子邮件

15.4进一步探讨

15.4.1使用回复邮件剪裁访问列表

15.4.2使用电子邮件作为你的网络机器人运行的通知

15.4.3利用无线技术

15.4.4编写发送短信的网络机器人

第16章 将一个网站转变成一个函数

16.1编写一个函数接口

16.1.1定义函数接口

16.1.2分析目标网页

16.1.3使用describe_zipcode（）函数

16.2结论

16.2.1资源分发

16.2.2使用标准接口

16.2.3设计定制的轻量级“Web服务”

第三部分 高级设计技巧

第17章 蜘蛛

17.1蜘蛛的工作原理

17.2蜘蛛脚本示例

17.3 LIB_simple_spider

17.3.1 harvest_links（）

17.3.2 archive_links（）

17.3.3 get_domain（）

17.3.4 exclude_link（）

17.4使用蜘蛛进行实验

17.5添加载荷

17.6进一步探讨

17.6.1在数据库中保存链接

17.6.2分离链接和载荷

17.6.3在多台计算机上分配任务

17.6.4管理页面请求

第18章 采购机器人和秒杀器

18.1采购机器人的原理

18.1.1获取采购标准

18.1.2认证买家

18.1.3核对商品

18.1.4评估购物触发条件

18.1.5执行购买

18.1.6评估结果

18.2秒杀器的原理

18.2.1获取采购标准

18.2.2认证竞拍者

18.2.3核对拍卖商品

18.2.4同步时钟

18.2.5竞价时间

18.2.6提交竞价

18.2.7评估结果

18.3测试自己的网络机器人和秒杀器

18.4进一步探讨

18.5结论

第19章 网络机器人和密码学

19.1设计使用加密的网络机器人

19.1.1 SSL和PHP内置函数

19.1.2加密和PHP/CURL

19.2网页加密的简要概述

19.3结论

第20章 认证

20.1认证的概念

20.1.1在线认证的类型

20.1.2用多种方式加强认证

20.1.3认证和网络机器人

20.2示例脚本和实践页面

20.3基本认证

20.4会话认证

20.4.1使用cookie会话的认证

20.4.2使用查询会话进行认证

20.5结论

第21章 高级cookie管理

21.1 cookie的工作原理

21.2 PHP/CURL和cookie

21.3网络机器人设计中面临的cookie难题

21.3.1擦除临时性cookie

21.3.2管理多用户的cookie

21.4进一步探讨

第22章 计划运行网络机器人和蜘蛛

22.1为网络机器人配置计划任务

22.2 Windows XP任务调度程序

22.2.1计划网络机器人按日运行

22.2.2复杂的计划

22.3 Windows 7任务调度程序

22.4非日历事件触发器

22.5结论

22.5.1如何决定网络机器人的最佳运行周期

22.5.2避免单点故障

22.5.3在计划中加入变化性

第23章 使用浏览器宏抓取怪异的网站

23.1高效网页抓取的阻碍

23.1.1 AJAX

23.1.2怪异的JavaScript和cookie行为

23.1.3 Flash

23.2使用浏览器宏解决网页抓取难题

23.2.1浏览器宏的定义

23.2.2模拟浏览器的终极网络机器人

23.2.3安装和使用iMacros

23.2.4创建第一个宏

23.3结论

23.3.1宏的必要性

23.3.2其他用途

第24章 修改iMacros

24.1增强iMacros的功能

24.1.1不使用iMacros脚本引擎的原因

24.1.2创建动态宏

24.1.3自动装载iMacros

24.2进一步探讨

第25章 部署和扩展

25.1一对多环境

25.2一对一环境

25.3多对多环境

25.4多对一环境

25.5扩展和拒绝服务攻击

25.5.1简易的网络机器人也会产生大量数据

25.5.2目标的低效

25.5.3过度扩展的弊端

25.6创建多个网络机器人的实例

25.6.1创建进程

25.6.2利用操作系统

25.6.3在多台计算机上分发任务

25.7管理僵尸网络

25.8进一步探讨

第四部分 拓展知识

第26章 设计隐蔽的网络机器人和蜘蛛

26.1设计隐蔽网络机器人的原因

26.1.1 日志文件

26.1.2日志监控软件

26.2模拟人类行为实现隐蔽

26.2.1善待资源

26.2.2在繁忙的时刻运行网络机器人

26.2.3在每天不同时刻运行网络机器人

26.2.4不要在假期和周末运行网络机器人

26.2.5使用随机的延迟时间

26.3结论

第27章 代理

27.1代理的概念

27.2虚拟世界中的代理

27.3网络机器人开发者使用代理的原因

27.3.1使用代理实现匿名

27.3.2使用代理改变位置

27.4使用代理服务器

27.4.1在浏览器中使用代理

27.4.2通过PHP/CURL使用代理

27.5代理服务器的类型

27.5.1公共代理

27.5.2 Tor

27.5.3商业代理

27.6结论

27.6.1匿名是过程，不是特性

27.6.2创建自己的代理服务

第28章 编写容错的网络机器人

28.1网络机器人容错的类型

28.1.1适应URL变化

28.1.2适应页面内容的变化

28.1.3适应表单的变化

28.1.4适应cookie管理的变化

28.1.5适应网络中断和网络拥堵

28.2错误处理器

28.3进一步探讨

第29章 设计受网络机器人青睐的网站

29.1针对搜索引擎蜘蛛优化网页

29.1.1定义明确的链接

29.1.2谷歌轰炸和垃圾索引

29.1.3标题标签

29.1.4元标签

29.1.5标头标签

29.1.6图片的alt属性

29.2阻碍搜索引擎蜘蛛的网页设计技巧

29.2.1 JavaScript

29.2.2非ASCⅡ内容

29.3设计纯数据接口

29.3.1 XML

29.3.2轻量级数据交换

29.3.3简单对象访问协议

29.3.4表征状态转移

29.4结论

第30章 消灭蜘蛛

30.1合理地请求

30.1.1创建服务协议条款

30.1.2使用robots.txt文件

30.1.3使用robots元标签

30.2创造障碍

30.2.1选择性地允许特定的网页代理

30.2.2使用混淆

30.2.3使用cookie、加密、JavaScript和重定向

30.2.4认证用户

30.2.5频繁升级网站

30.2.6在其他媒体中嵌入文本

30.3设置陷阱

30.3.1创建蜘蛛陷阱

30.3.2处理不速之客的方法

30.4结论

第31章 远离麻烦

31.1尊重

31.2版权

31.2.1请善用资源

31.2.2不要纸上谈兵

31.3侵犯动产

31.4互联网法律

31.5结论

附录A PHP/CURL参考

附录B 状态码

附录C 短信网关