python爬虫入门学习3 Requests请求库

一：写在前面：

python内置为我们提供了一个内置的模块叫urlibb,是用于访问网络资源的，但是由于它内部缺少一些实用的功能，所以用起来比较麻烦。后来出现了一个第三方模块叫“Requests”，Requests继承了urllib2的所有特性。Requests支持HTTP连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自动确定响应内容的编码，支持国际化的URL和POST数据自动编码。换句话说就是requests模块的功能比urllib更加强大

Requests可以模拟浏览器的请求，比起之前用到的urllib模块更加便捷，因为requests本质上就是基于urllib3来封装的

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

视频选项：梨视频

response响应

import requests
video_url='https://www.pearvideo.com/video_1570302'
response=requests.get(url=video_url)
print(response.text)
# response响应
print(response.status_code)  # 获取响应状态码
print(response.url)  # 获取url地址
print(response.text)  # 获取文本
print(response.content)  # 获取二进制流
print(response.headers)  # 获取页面请求头信息
print(response.history)  # 上一次跳转的地址
print(response.cookies)  # # 获取cookies信息
print(response.cookies.get_dict())  # 获取cookies信息转换成字典
print(response.cookies.items())  # 获取cookies信息转换成字典
print(response.encoding)  # 字符编码
print(response.elapsed)  # 访问时间

1.先往梨视频主页发送请求

https://www.pearvideo.com/

解析获取所有的视频的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)

for v_id in res_list:
    detail_url='https://www.pearvideo.com/video_'+v_id
    print(detail_url)

获取url和视频名称

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)

    #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）-->选中的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
           POST：

需要携带用户信息往目标地址发送请求

post请求的参数存放在请求体内，可用浏览器查看，存放于form data内。而GET请求的参数直接放在url后

3）响应状态码
           2xx：成功（200）
           3xx：重定向即跳转（301）
           4xx：找不到资源，即文件不存在（404）
           5xx：服务器错误（502)
       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utl （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'
    }

4.正则表达式：

. :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

豆瓣视频信息爬取

''''''
'''
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)

posted @ 2019-06-26 21:28 ch_musk 阅读(125) 评论(0) 编辑收藏举报

刷新页面返回顶部

ch_musk

python爬虫入门学习3 Requests请求库

公告