一、爬虫原理
1、什么是互联网:
指的是有一堆网络设备,把一台台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和数据的共享
3、什么是数据:
例如淘宝、京东、商品信息。。
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-提取有效数据-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:
http://www.jd.com/
www.jd.com(京东域名)-DNS解析-京东服务器的IP和端口
http+ssl://www.jd.com
客户端的ip和端口往服务端的ip和端口发送请求可以建立链接,获取响应数据
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 request
2、抓取视频
3、抓包分析
打开浏览器的开发者模式--->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:
直接发送请求获取资源
https: / /www. cnblogs . com/ke rmitj am/articles/9692597. html
POST:
需要携带用户信息往目标地址发送请求
https://wwW. cnb logs. com/ login
{
'user': 'tank','
'pwd': '123'
}

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(证明你目标网路的用户)
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>



requests:

import requests #导入requests请求库
#往百度主页发送请求,获取相应对象
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)


爬取小视频:
'''
梨视频
'''


#import requests
#video_url = 'https://www.pearvideo.com/video_1570107'
#response = requests.get(url=video_url)
#print(response.text)

#往视频源地址发送请求
#response = requests.get('https://video.pearvideo.com/mp4/adshort/20190625/cont-1570107-14054821_adpkg-ad_hd.mp4')
#打印二进制流 比如图片、视频等
#print(response.content)
#保存视频到本地
#with open('视频1.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id
video_1570302
re.findall()
2、获取视频详情页url:
惊险!男子抢上地铁滑到,就脚进去了
https://www.pearvideo.com/video_1570302
解谜坎儿井
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,'视频爬去完成')




豆瓣爬取:
'''
1、发送请求
2、解析数据
3、保持本地
'''

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55
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>')
#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=f'https://movie.douban.com/top250?start={}&filter=',formate(num0
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、电影划分、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]
movie_content = f
'''
排名:{v_top}
...
'''
print(movie_content)
#保存数据
save_data(movie_content)