day03 爬虫原理
一、爬虫原理
1、上网的全过程
-普通用户
打开浏览器->向目标站点发送请求->获取响应数据->渲染到浏览器中
-爬虫程序
模拟浏览器->向目标站点发送请求->获取响应数据->提取有价值数据->持久化
客户端给服务端发请求,然后返回,浏览器接受渲染,返回页面
2、浏览器发送什么请求?
http协议请求
-客户端
浏览器(软件)-> 客户端的IP和端口
-服务端
www.xxx.com 是域名
通过DNS解析
网站服务器的IP和端口
http + ssl://www.xxx.com
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
3、爬虫全过程
-发送请求 (需要请求库:Requests、Selenium)
-获取响应数据 (只要向服务器发送请求,请求通过后返回响应数据)
-解析并提取数据 (需要解析库:re、BeautifulSoup4)
-保存到本地 (文件处理、数据库)
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)
二 Requests请求库
1.安装与使用
- 打开cmd
- 输入: pip3 install requests
2.爬取视频
import requests # 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')
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'
}
三 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>