0626.爬虫原理

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)

（以下是requests的基本使用，以爬去单个百度网页为例）

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

     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'
                 }

（以爬取“梨视频”的上的单个视频为例）

''''''
'''
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')

　　

 三 爬取豆瓣电影

     在爬取网站上多个信息时，例如获取豆瓣评分Top250的电影的信息时，对于不变的条件我们可以直接通过非贪婪匹配忽略，
     对于重要信息通过(.*?)提取不同信息。下面介绍一些相关的符号。

　　　.: 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
　　　　
（以下是爬取豆瓣排行Top250的代码：）

''''''
'''
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)