爬虫，requests高级用法，解析json,ssl认证，使用代理,超时设置，上传文件处理，代理池搭建，爬取某视频网站，爬取新闻
内容回顾
可变类型与不可变类型
可变类型：值发生改变，内存地址不变：列表，集合，字典
不可变类型：值发生改变，内存地址一定发生改变：字符串，整形，浮点型，布尔，元组
常用的魔法方法》某种情况下会自动触发
__init__() 在类加括号实例化对象时触发完成数据初始胡
__new__() 在类加括号实例化对象时触发，创建出空对象，自动触发__init__()
__call__() 对象加括号
__getattr__() 对点一个不存在的属性触发
__setattr__() 对象.属性=值
__getattribute__() 对象点属性就会触发
__getitem__() 对象['属性']，属性不存在触发
__setitem__() 对象['属性']=值触发
上下文管理器：只要重写了__enter__ 和__exit__方法，就具备这个能力
with 对象 as xx:
写代码，触发__enter__的执行
写一行代码，触发exit做一些资源的清理工作
__str__ 在str对象或print对象时触发
__repr__ python解释器环境下，会默认显示对象的repr
魔法方法大全
https://www.cnblogs.com/liuqingzheng/articles/9949568.html
class Student:
def __init__(self, name, age):
self.name = name
self.age = age
def __repr__(self):
return self.name
>>> s1 = Student('张三', 24)
>>> s1
张三
repr函数或交互式解释器调用的obj.__repr__()
如果str没有被定义，那么就会使用__repr来替代输出
__str__ __repr__ 输出的都必须是字符串
__format__
按照设定的格式化代码进行格式化后输出
__del__
当对象在内存中被释放，自定触发执行，此方法一般无需定义，因为python是一门高级预先，程序员在使用时无需关心内存的分配和释放，因为此工作都是交给Python解释器来执行，所以析构函数的调用是由解释器在进行垃圾回收时自动触发执行的。
__doc__
输出类中的注释
生成器是函数有yield关键字
只有__iter__ 是迭代器
__iter__ __next__ 是可迭代对象
拥有__len__支持len(obj)操作
拥有__hash__方法的对象支持hash(obj)操作
拥有__eq__ 方法对象支持相等的比较操作
类中的装饰
什么都不加是绑定给对象的，对象去调用会把自身当作第一个参数传进去，类去调会把类本身当做第一个参数传进去
classmethod绑定给类的方法
staticmethod相当于普通函数，无论是对象还是类调用有几个参数传几个参数
如何把方法包装成数据属性 property装饰饰器
类中隐藏属性或方法__开头，在python中其实并没有真正隐藏要调用使用_类名隐藏的属性例如：\_S1__\__age
双写一致性，数据库变化，redis没变，或redis变了，数据库没变，会导致数据不一致的情况
解决方案
修改数据，删除缓存 实时性高一些
修改数据，更新缓存，
定时更新缓存，数据的实时性可能不太好
先删除缓存在写入数据
断点续传
分段传输，在上次基础上，把文件光标移动到上次传输数据后面，继续传输
内网穿透
https://zhuanlan.zhihu.com/p/370483324
缓存击穿
某个key值过期后，有大量请求，请求这个key值数据，会造成redis，同时大量请求数据库，给数据库造成巨大压力
爬虫
爬虫是什么
一个程序》模拟发送http请求》从网站app,小程序》获取数据》清洗数据》入库
爬虫的核心原理
发送http请求，解析数据
requests re
requests模块》大神》基于python内置模块urllib3》进行封装的
python界非常知名的库
模拟发送http请求：postman也是发送http请求的
python GUI
tkinter：内置模块
PyQI:python代码在qt平台写桌面应用
发送get请求，携带数据
request.get(地址,params=get请求的数据)
发送请求请求头
heaser={
user-agent:
cookies:
referer
}
request.get(headers=heaser)
携带cookie 两种方式
直接放在请求头中：字符串 cookies:xx=dsads;ee=sasdfa
使用cookies参数requests.get(cookies={}/cookieJar)
使用session requests.session()
发送post请求
requests.post(url,data,json)
requests.session()>保持cookie以后不用手动携带，自动处理
响应对象
Response
text
content
cookies
headers
encoding
编码问题
获取二进制数据
下载图片，视频
res.iter_content() 是一个可迭代对象
http请求头
referer:是http请求头中的一个数据，记录从哪个页面跳转过来的
图片防盗链
反扒
内容详细
requests高级用法
解析json
发送http请求，返回的数据会有xml格式也有json格式
import requests
data = {
'cname': '',
'pid': '',
'keyword': '500',
'pageIndex': 1,
'pageSize': 10,
}
res = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword',data=data)
# print(res.text) # json 格式字符串---》json.cn
print(type(res.json())) # 转成对象 字典对象
ssl认证(了解)
http协议：明文传输
https协议：http + ssl /tsl
HTTP+SSL/TLS也就是在http上又加了一层处理加密信息的模块比http安全，可以防止数据在传输过程中被窃取，改变，确保数据的完整性
https://zhuanlan.zhihu.com/p/561907474
以后遇到证书提示错误问题ssl xx
不验证证书
import requests
respone=requests.get('https://www.12306.cn',verify=False) #不验证证书,报警告,返回200
print(respone.status_code)
关闭警告
import requests
from requests.packages import urllib3
urllib3.disable_warnings() #关闭警告
respone=requests.get('https://www.12306.cn',verify=False)
print(respone.status_code)
手动携带证书（了解）
import requests
respone=requests.get('https://www.12306.cn',
cert=('/path/server.crt',
'/path/key'))
print(respone.status_code)
使用代理（重要）
如果爬虫使用自身ip地址访问，很有可能被封ip地址，以后就访问不了了
我们可以使用代理ip
代理：收费和免费（不稳定）
res = requests.post('https://www.cnblogs.com',proxies={'http':'地址+端口'})
res = requests.post('https://www.cnblogs.com',proxies={'http':'27.79.236.66:4001'})
res = requests.post('https://www.cnblogs.com',proxies={'http':'60.167.91.34:33080'})
print(res.status_code)
高匿名代理和透明代理
高匿，服务器拿不到真实客户端的ip地址
透明：服务端能拿到真实客户端的ip地址后端如何拿到真正客户端ip地址
http请求头中有个 X-Forwarded-For:client,proxy1,proxy2
-x-forword-for 获得http请求端真实的ip地址
超时设置
import requests
respone=requests.get('https://www.baidu.com',timeout=1)
异常处理
import requests
from requests.exceptions import * #可以查看requests.exceptions获取异常类型
try:
r=requests.get('http://www.baidu.com',timeout=0.00001)
except ReadTimeout:
print('===:')
# except ConnectionError: #网络不通
# print('-----')
# except Timeout:
# print('aaaaa')
except RequestException:
print('Error')
上传文件
# 3 上传文件
import requests
files = {'file': open('美女.png', 'rb')}
respone = requests.post('http://httpbin.org/post', files=files)
print(respone.status_code)
代理池搭建
requests发送请求使用代理
代理从那来公司花钱买
搭建免费的代理池
https://github.com/jhao104/proxy_pool
python:爬虫+flask写的
架构
搭建步骤
git clone https://github.com/jhao104/proxy_pool.git
使用pycharm打开
安装依赖：pip install -r requirements.txt
修改配置文件(redis地址即可)
OST = "0.0.0.0"
PORT = 5010
DB_CONN = 'redis://127.0.0.1:6379/0'
PROXY_FETCHER #爬取哪些免费代理网站
启动爬虫程序
python proxyPool.py schedule
启动服务器端
python proxyPool.py server
随机使用一个免费代理
地址栏中输入：http://127.0.0.1:5010/get/
使用代码
import requests
from requests.packages import urllib3
urllib3.disable_warnings() #关闭警告
# 获取代理
res = requests.get('http://127.0.0.1:5010/get/').json()
proxies = {}
if res['https']:
proxies['https'] = res['proxy']
else:
proxies['http'] = res['proxy']
print(proxies)
res = requests.post('https://www.cnblogs.com', proxies=proxies,verify=False)
# res = requests.post('https://www.cnblogs.com')
print(res)
django后端获取客户端的ip
# 建立django后端---》index地址---》访问就返回访问者的ip
# django代码---》不要忘记改配置文件
# 路由
path('', index),
# 视图函数
def index(request):
ip = request.META.get('REMOTE_ADDR')
print('ip地址是', ip)
return HttpResponse(ip)
测试端
import requests
from requests.packages import urllib3
urllib3.disable_warnings() # 关闭警告
res = requests.get('http://127.0.0.1:5010/get/').json()
if res['https']:
proxies = {
'https': res['proxy']
}
else:
proxies = {
'http': res['proxy']
}
# proxies = {
# 'http':'27.79.236.66:4001'
# }
print(proxies)
# res2 = requests.get('http://test.ipw.cn', proxies=proxies,verify=False,timeout=1)
res2 = requests.get('http://101.43.19.239/get/', proxies=proxies,verify=False,timeout=1)
print(res2.headers)
print(res2.history)
print(res2.text)
爬取某视频网站
import requests
import re
res = requests.get('https://www.pearvideo.com/category_loading.jsp?reqType=5&categoryId=1&start=0')
# print(res.text)
# 解析出真正视频地址
video_list = re.findall('<a href="(.*?)" class="vervideo-lilink actplay">', res.text)
# print(video_list)
for i in video_list:
# i='video_1212452'
video_id = i.split('_')[-1]
real_url = 'https://www.pearvideo.com/' + i
# print('真正视频地址是：',real_url)
headers = {
'Referer': 'https://www.pearvideo.com/video_%s' % video_id
}
res1 = requests.get('https://www.pearvideo.com/videoStatus.jsp?contId=%s&mrd=0.29636538326105044' % video_id,
headers=headers).json()
# print(res1["videoInfo"]['videos']['srcUrl'])
mp4_url = res1["videoInfo"]['videos']['srcUrl']
mp4_url = mp4_url.replace(mp4_url.split('/')[-1].split('-')[0], 'cont-%s' % video_id)
print(mp4_url)
res2 = requests.get(mp4_url)
with open('./video/%s.mp4' % video_id, 'wb') as f:
for line in res2.iter_content():
f.write(line)
# headers={
# 'Referer': 'https://www.pearvideo.com/video_1212452'
# }
# res=requests.get('https://www.pearvideo.com/videoStatus.jsp?contId=1212452&mrd=0.29636538326105044',headers=headers)
#
# print(res.text)
# https://video.pearvideo.com/mp4/short/20171204/ 1678938313577 -11212458-hd.mp4
# https://video.pearvideo.com/mp4/short/20171204/ cont-1212452 -11212458-hd.mp4
mp4_url = 'https://video.pearvideo.com/mp4/short/20171204/ 1678938313577-11212458-hd.mp4'
爬取新闻
import requests
# pip install beautifulsoup4 解析xml的库
from bs4 import BeautifulSoup
res = requests.get('https://www.autohome.com.cn/all/1/#liststart')
# print(res.text)
# 第一个参数是要解析的文本 str
# 第二个参数是：解析的解析器 html.parser：内置解析器 lxml:第三方需要额外安装
soup = BeautifulSoup(res.text, 'html.parser')
# 查找所有类名叫article的ul标签 find_all
ul_list = soup.find_all(name='ul', class_='article')
for ul in ul_list:
li_list = ul.find_all(name='li')
# print(len(li_list))
for li in li_list:
h3 = li.find(name='h3')
if h3: # 不是广告
title = h3.text
url = 'https:' + li.find('a').attrs['href']
desc = li.find('p').text
img = li.find(name='img').attrs['src']
print('''
新闻标题：%s
新闻连接：%s
新闻摘要：%s
新闻图片：%s
''' % (title, url, desc, img))
# 把所有图片下载到本地，把爬完的数据，存到mysql中---》pymysql---》commit
正向代理反向代理
https://www.cnblogs.com/liuqingzheng/p/10521675.html
正向代理即是客户端代理, 代理客户端, 服务端不知道实际发起请求的客户端（买票的黄牛）
反向代理即服务端代理，代理服务端，客户端不知道实际提供服务的服务端（住房的代理）
