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>