一、爬虫原理
1.什么是互联网?
指的是由一堆网络,把一台台计算机互联到一起称之为互联网。
2.互联网建立的目的?
为了数据的传递以及数据的共享。
3.上网的全过程:
普通用户:打开浏览器->往目标网站发送请求->获取响应数据->渲染到浏览器中
爬虫程序:模拟浏览器->往目标网站发送请求->获取响应数据->提取有价值数据->持久化到数据中
4.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
http://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的数据。
5.爬虫全过程
-发送请求 (需要请求库:Resquests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…)
保存本地 (文件处理、数据库、MongoDB存储库)
二、Requests请求库
1.安装与使用
-打开cmd
-输入:pip3 install requests
'''
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='http://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)
import requests
#往视频源地址发送请求
response = requests.get('https://video.pearvideo.com/mp4/adshort/20190624/cont-1569754-14051527_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)
import requests
response = requests.get('https://p.ssl.qhimg.com/dmfd/420_627_/t013bfcad28d74e60d1.jpg')
#打印二进制流、比如图片、视频等数据
print(response.content)
#保存图片到本地
with open('图片1.jpg','wb') as f:
f.write(response.content)
'''
1.先梨视频主页发送请求
http://www.pearvideo.com/
解析所有视频的ID
re.findall()
2.获取视频详情页
'''
import requests
import re #正则,用于解析文本数据
#1.往梨视频主页发送请求
respons = requests.get('https://www.pearvideo.com/')
print(respons.text)
#2.re正则匹配获取所有视频的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_(.*?)"', respons.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 = 'http://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
respons = requests.get(url=detail_url)
解析并提取视频url
video_url = re.findall('srcUrl="(.*?)"', respons.text, re.S)[0]
print(video_url)
#视频名称
video_name = re.findall('<h1 class="video-tt">(.*?)</h1',respons.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:需要携带用户信息发送到目标地址
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(证明你是目标网站的用户)
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'
}
'''
'''
爬虫三部曲
1.发送请求
2.解析数据
3.保存数据
https://movie.douban.com/top250?start=0&filter=
https://movie.douban.com/top250?start=25&filter=
https://movie.douban.com/top250?start=50&filter=
四 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>
'''
import requests
import re
# 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)