学习day3----爬虫

「爱情、让人受尽委屈。」 2021-10-18 16:56 260阅读 0赞

今日内容：  
一 爬虫原理  
二 Requests请求库

一 爬虫原理  
1.什么是互联网？  
指的是由一堆网络设备，把一台台的计算机互联网到一起称之为互联网。

2.互联网建立的目的？  
互联网建立的目的是为了数据的传递以及数据的共享。

3.什么是数据？  
例如淘宝、京东商品信息等...  
东方财富、雪球网的一些证券投资信息...  
链家、自如等房源信息....  
12306的票务信息...

4.上网的全过程:  
\- 普通用户:  
打开浏览器 ——> 往目标站点发送请求 ——> 获取响应数据 ——> 渲染到浏览器中

\- 爬虫程序:  
模拟浏览器 ——> 往目标站点发送请求 ——> 获取响应数据 ——> 提取有价值的数据 ——> 持久化到数据中

5.浏览器发送的是什么请求？  
http协议的请求。

\- 客户端:  
浏览器是一个软件 --> 客户端的 IP 和 端口

\- 服务端  
https://www.jd.com/  
www.jd.com（京东域名）-> DNS解析 -> 京东服务端的 IP 和 端口

客户端的ip和端口 ------> 服务端的 IP 和 端口 发送请求可以建立链接获取相应数据。

6.爬虫的全过程  
\- 发送请求 （需要请求库: Requests请求库、Selenium请求库）  
\- 获取响应数据 （只要往服务器发送请求，请求通过后会返回响应数据）  
\- 解析并提取数据（需要解析库: re、BeautifulSoup4、Xpath...）  
\- 保存到本地 (文件处理、数据库、MongoDB存储库)

二 Requests请求库

1.安装与使用  
\- 打开cmd  
\- 输入: pip3 install requests

2.爬取视频

3.抓包分析  
打开浏览器的开发者模式（检查）----> 选中network  
找到访问的页面后缀 xxx.html（响应文本）

1)请求url（访问的网站地址）  
2)请求方式：  
GET:  
直接发送请求获取数据  
https://www.cnblogs.com/kermitjam/articles/9692597.html

POST:  
需要携带用户信息往目标地址发送请求  
https://www.cnblogs.com/login

3) 响应状态码:  
2xx: 成功  
3xx: 重定向  
4xx: 找不到资源  
5xx: 服务器错误

4) 请求头信息:  
User-Agent: 用户代理（证明是通过电脑设备及浏览器发送的请求）  
Cookies: 登录用户真实信息（证明你目标网站的用户）  
Referer: 上一次访问的url （证明你是从目标网站跳转过来的）

5)请求体:  
POST请求才会有请求体。  
Form Data  
\{  
'user': 'tank',  
'pwd': '123'  
\}

四 爬取豆瓣电影  
.: 从当前位置开始  
\*: 查找所有  
?: 找到第一个不找

.\*?: 非贪婪匹配  
.\*: 贪婪匹配

(.\*?): 提取括号内的数据

电影排名、电影url、电影名称、导演-主演-类型、电影评分、评价人数、电影简介  
<div class="item">.\*?<em class="">(.\*?)</em>  
.\*?<a href="(.\*?)">.\*?<span class="title">(.\*?)</span>  
.\*?导演:(.\*?)</p>.\*?<span class="rating\_num".\*?>(.\*?)</span>  
.\*?<span>(.\*?)人评价</span>.\*?<span class="inq">(.\*?)</span>

<div class="item">  
<div class="pic">  
<em class="">226</em>  
<a href="https://movie.douban.com/subject/1300374/">  
<img width="100" alt="绿里奇迹" src="https://img3.doubanio.com/view/photo/s\_ratio\_poster/public/p767586451.webp" class="">  
</a>  
</div>  
<div class="info">  
<div class="hd">  
<a href="https://movie.douban.com/subject/1300374/" class="">  
<span class="title">绿里奇迹</span>  
<span class="title">&nbsp;/&nbsp;The Green Mile</span>  
<span class="other">&nbsp;/&nbsp;绿色奇迹(台) / 绿色英里</span>  
</a>

<span class="playable">\[可播放\]</span>  
</div>  
<div class="bd">  
<p class="">  
导演: Frank Darabont&nbsp;&nbsp;&nbsp;主演: 汤姆·汉克斯 Tom Hanks / 大卫·摩斯 David M...<br>  
1999&nbsp;/&nbsp;美国&nbsp;/&nbsp;犯罪 剧情 奇幻 悬疑  
</p>

<p class="quote">  
<span class="inq">天使暂时离开。</span>  
</p>  
</div>  
</div>  
</div>

爬取豆瓣电影排行榜250

''''''
    '''
    https://movie.douban.com/top250?start=0&filter=
    https://movie.douban.com/top250?start=25&filter=
    https://movie.douban.com/top250?start=50&filter=
    
    1.发送请求
    2.解析数据
    3.保存数据
    '''
    import requests
    import re
    
    # 爬虫三部曲
    # 1.发送请求
    def get_page(base_url):
        response = requests.get(base_url)
        return response
    
    # 2.解析文本
    def parse_index(text):
    
        res = re.findall('<div class="item">.*?<em class="">(.*?)</em>.*?<a href="(.*?)">.*?<span class="title">(.*?)</span>.*?导演:(.*?)</p>.*?<span class="rating_num".*?>(.*?)</span>.*?<span>(.*?)人评价</span>.*?<span class="inq">(.*?)</span>', text, re.S)
        # print(res)
        return res
    
    # 3.保存数据
    def save_data(data):
        with open('douban.txt', 'a', encoding='utf-8') as f:
            f.write(data)
    
    # main + 回车键
    if __name__ == '__main__':
        # num = 10
        # base_url = 'https://movie.douban.com/top250?start={}&filter='.format(num)
    
        num = 0
        for line in range(10):
            base_url = f'https://movie.douban.com/top250?start={num}&filter='
            num += 25
            print(base_url)
    
            # 1.发送请求，调用函数
            response = get_page(base_url)
    
            # 2.解析文本
            movie_list = parse_index(response.text)
    
            # 3.保存数据
            # 数据的格式化
            for movie in movie_list:
                # print(movie)
    
                # 解压赋值
                # 电影排名、电影url、电影名称、导演 - 主演 - 类型、电影评分、评价人数、电影简介
                v_top, v_url, v_name, v_daoyan, v_point, v_num, v_desc = movie
                # v_top = movie[0]
                # v_url = movie[1]
                moive_content = f'''
                电影排名: {v_top}
                电影url: {v_url}
                电影名称: {v_name}
                导演主演: {v_daoyan}
                电影评分: {v_point}
                评价人数: {v_num}
                电影简介: {v_desc}
                \n
                '''
    
                print(moive_content)
    
                # 保存数据
                save_data(moive_content)

爬取视频

''''''
    '''
    视频选项:
        1.梨视频
    '''
    # import requests
    #
    # # 往视频源地址发送请求
    # response = requests.get(
    #     'https://video.pearvideo.com/mp4/adshort/20190625/cont-1570302-14057031_adpkg-ad_hd.mp4')
    #
    # # 打印二进制流，比如图片、视频等数据
    # print(response.content)
    #
    # # 保存视频到本地
    # with open('视频.mp4', 'wb') as f:
    #     f.write(response.content)
    
    '''
    1、先往梨视频主页发送请求
        https://www.pearvideo.com/
        
        解析获取所有视频的id:
            video_1570302
            
            re.findall()
            
    
    2、获取视频详情页url:
        惊险!男子抢上地铁滑倒,就脚进去了
        https://www.pearvideo.com/video_1570302
        揭秘坎儿井
        https://www.pearvideo.com/video_1570107
    '''
    import requests
    import re  # 正则，用于解析文本数据
    # 1、先往梨视频主页发送请求
    response = requests.get('https://www.pearvideo.com/')
    # print(response.text)
    
    # re正则匹配获取所有视频id
    # 参数1: 正则匹配规则
    # 参数2: 解析文本
    # 参数3: 匹配模式
    res_list = re.findall('<a href="video_(.*?)"', response.text, re.S)
    # print(res_list)
    
    # 拼接每一个视频详情页url
    for v_id in res_list:
        detail_url = 'https://www.pearvideo.com/video_' + v_id
        # print(detail_url)
    
        # 对每一个视频详情页发送请求获取视 频源url
        response = requests.get(url=detail_url)
        # print(response.text)
    
        # 解析并提取详情页视频url
        # 视频url
        video_url = re.findall('srcUrl="(.*?)"', response.text, re.S)[0]
        print(video_url)
    
        # 视频名称
        video_name = re.findall(
            '<h1 class="video-tt">(.*?)</h1>', response.text, re.S)[0]
    
        print(video_name)
    
        # 往视频url发送请求获取视频二进制流
        v_response = requests.get(video_url)
    
        with open('%s.mp4' % video_name, 'wb') as f:
            f.write(v_response.content)
            print(video_name, '视频爬取完成')

requests的基本使用

import requests  # 导入requests请求库
    
    
    # 往百度主页发送请求，获取响应对象
    response = requests.get(url='https://www.baidu.com/')
    
    # 设置字符编码为 utf-8
    response.encoding = 'utf-8'
    
    # 打印响应文本
    print(response.text)
    
    # 把响应文本写入本地
    with open('baidu.html', 'w', encoding='utf-8') as f:
        f.write(response.text)

转载于:https://www.cnblogs.com/xl-123456/p/11094621.html