爬虫

spider

简介：

浏览器发送http请求，去后端服务器获取到数据之后只能从浏览器中看，如果要把需要的数据保存到本地，存到我们自己库中就可以用到爬虫

百度本质就是一个大爬虫(搜索)，在输入框中输入搜索内容，实际是从百度的数据库搜索出来的

百度数据库的数据是从互联网爬下来的，百度这个爬虫一刻不停的在互联网爬数据，爬完就存到它的库里（seo优化，优化我们的网站能够被搜索引擎先搜到，排的很靠前），尽可能被百度爬虫，并且容易搜索到，seo(免费的)和sem(充钱，把你放前面)---》，当时爬虫爬取这个网页这一刻，网页的样子---》保留这个网页地址，当你点击标题，跳转到这个网页，完成了你的搜索 伪静态

爬虫的本质----》模拟发送http请求(浏览器携带什么，我们也要携带什么)---->服务器返回数据---》对数据进行清洗---》入库 后续操作是别的---》分析数据--》数据分析

爬虫协议：君子协议---》大家遵循这个协议，就不违法--》规定了我的网站，什么能爬，什么不能爬

https://www.baidu.com/robots.txt
https://www.cnblogs.com/robots.txt

爬虫本质跟用浏览器访问没什么区别

requests模块介绍，发送get请求

# 所有语言都可以做爬虫---》python简单一些---》库多
# 模拟发送http请求的库，requests库----》大佬基于python内置库 urllib(麻烦) 封装--》requests

# 安装
pip3 install requests

# 模拟发送get请求
import requests

res=requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html')
print(res.text)  # 响应体的内容打印出来了

get地址中携带参数

## 2 get 请求中携带参数
res=requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html',
                 params={'name':'lqz','age':18}
                 )
# # ?name=lqz&age=18拼到路径后面
print(res.text)  # 响应体的内容打印出来了
# url编码和解码
https://www.baidu.com/baidu?wd=python%20url%E7%BC%96%E7%A0%81%E5%92%8C%E8%A7%A3%E7%A0%81

# 把字段中文编码后转成 name=%E5%88%98%E6%B8%85%E6%94%BF&age=18
from urllib.parse import urlencode
d={'name':'刘清政','age':18}
res=urlencode(d)
print(res)

# 只想单独对中文编码和解码
from urllib.parse import quote, unquote

# 编码
name='刘清政'
res=quote(name)
print(res)

# 解码
s='python%20url%E7%BC%96%E7%A0%81%E5%92%8C%E8%A7%A3%E7%A0%81'
print(unquote(s))

携带请求头

# 3 携带请求头
携带请求头-->重要的key:
User-Agent:客户端浏览器的类型版本信息，操作系统版本，django中如何取出请求头--》META---》中间件--》存到数据库--》饼形图--》统计你们网站近一个月客户端类型
referer:图片防盗链 Referer: https://www.lagou.com/wn/zhaopin
记录的是上一个访问的地址---》反扒：如果上一个访问的地址不是自己的地址，认为不是正常请求就禁止


header = {
     'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36',
     'Accept-Encoding': 'gzip, deflate, br',
}
res = requests.get('https://dig.chouti.com/',headers=header)
with open('chouti.html','wb') as f:
    f.write(res.content)
print(res.text)

携带cookie

## 本身cookie是请求头中的值，那么就可以执行放在请求头中，但是cookie经常用，也可以单独是一个参数
# 模拟点赞
header = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36',
    # 'Cookie': ""
}
data={
    'linkId': '34934736'
}
# res = requests.post('https://dig.chouti.com/link/vote',data=data,headers=header)
res = requests.post('https://dig.chouti.com/link/vote',data=data,headers=header,cookies={'key':'value'})
print(res.text)

发送post请求模拟登陆

#5  模拟登陆某网站
data = {
    'username': '616564099@qq.com',
    'password': 'lqz123',
    'captcha': 'kyca',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login',
}
res = requests.post('http://www.aa7a.cn/user.php',data=data)
print(res.text)
print(res.cookies) # 登陆成功返回的cookie，这个cookie是登陆过后的，以后拿着这个cookie就可以模拟登陆后操作

res2=requests.get('http://www.aa7a.cn/',cookies=res.cookies)
print('616564099@qq.com' in res2.text)

每次都要手动携带cookie，麻烦，使用requests提供的session 方法

session=requests.session()
以后需所有请求都用session对象发送，不需要手动处理cookie
data = {
    'username': 'ee@qq.com',
    'password': 'lqz123',
    'captcha': 'kyca',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login',
}
res = session.post('http://www.aa7a.cn/user.php',data=data)
print(res.text)
print(res.cookies) # 登陆成功返回的cookie，这个cookie是登陆过后的，以后拿着这个cookie就可以模拟登陆后操作

res2=session.get('http://www.aa7a.cn/')
print('616564099@qq.com' in res2.text)

响应对象

## 6 响应对象
import requests
respone=requests.get('http://www.jianshu.com')
# respone属性
print(respone.text)  # 返回响应体的文本内容
print(respone.content)# 返回响应体的二进制内容

print(respone.status_code)# 响应状态码
print(respone.headers)# 响应头
print(respone.cookies)# 响应的cookie
print(respone.cookies.get_dict())# 响应的cookie转成字典
print(respone.cookies.items())

print(respone.url) # 请求地址
print(respone.history) # 了解---》如果有重定向，列表，放着重定向之前的地址

print(respone.encoding) # 页面的编码方式：utf-8   gbk
# response.iter_content()  # content迭代取出content二进制内容，一般用它存文件

编码问题(一般不会有问题)

# 请求回来的数据，res.text 打印的时候乱码 ，因为没有指定编码，默认已utf-8编码
# 解决
response.encoding='gbk'

获取二进制数据

# 下载图片，视频
# 下载图片
header={
    'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36'
}

res=requests.get('https://tva1.sinaimg.cn/mw2000/9d52c073gy1h1v6lmny8nj20j60pjtdh.jpg',headers=header)
with open('mv.jpg','wb') as f:
    # f.write(res.content)
    for line in res.iter_content(100):
        f.write(line)

解析json

## 8 json格式解析
import json

data = {
    'cname': '',
    'pid': '',
    'keyword': '上海',
    'pageIndex': 1,
    'pageSize': 10,
}
# res = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword',data=data)
# j = json.loads(res.text)
# print(j['Table'][0]['rowcount'])

res= requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword',data=data).json()
print(res['Table'][0]['rowcount'])

ssl认证

# 之前网站，有些没有认证过的ssl证书，我们访问需要手动携带证书
# 跳过证书直接访问
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)
# 手动携带
import requests
respone=requests.get('https://www.12306.cn',
                     cert=('/path/server.crt',
                           '/path/key'))
print(respone.status_code)

12 使用代理

# 爬虫，速度很快，超过频率限制---》使用代理，切换ip---》封ip封的也是代理的ip，我的ip没问题

网上有一个python开源的代理池---》自己搭建起来https://github.com/jhao104/proxy_pool
写个django，用户访问就返回用户的ip地址--》放到公网上，用manage.py跑起来---》访问
# 客户端使用request加代理访问你的django，验证代理是否使用成功

proxies = {
    'http': '39.103.217.44:59886', # http或https代理
}
respone=requests.get('https://www.baidu.com',proxies=proxies)

print(respone.status_code)