一、爬虫的原理
用户获取网络数据的方式：
浏览器提交请求->下载网页代码->解析成页面。而网页代码中便包含了我们想要的数据
爬虫就是模拟浏览器发送请求，然后提取想要的数据，存放于数据库或文件中
#1、发起请求 使用http库向目标站点发起请求，即发送一个Request Request包含：请求头、请求体等 #2、获取响应内容 如果服务器能正常响应，则会得到一个Response Response包含：html，json，图片，视频等 #3、解析内容 解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等 解析json数据：json模块 解析二进制数据:以b的方式写入文件 #4、保存数据 数据库 文件
二、request
1、请求方式
#1、请求方式：
常用的请求方式：GET，POST
其他请求方式：HEAD，PUT，DELETE，OPTHONS
ps：用浏览器演示get与post的区别，（用登录演示post）
post与get请求最终都会拼接成这种形式：k1=xxx&k2=yyy&k4=zzz
post请求的参数放在请求体内：
可用浏览器查看，存放于form data内
get请求的参数直接放在url后
#2、请求url
url全称统一资源定位符，如一个网页文档，一张图片
一个视频等都可以用url唯一来确定
url编码
https://www.baidu.com/s?wd=图片
图片会被编码（看示例代码）
网页的加载过程是：
加载一个网页，通常都是先加载document文档，
在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求
#3、请求头
User-agent：请求头中如果没有user-agent客户端配置，
服务端可能将你当做一个非法用户
host
cookies：cookie用来保存登录信息
一般做爬虫都会加上请求头
#4、请求体
如果是get方式，请求体没有内容
如果是post方式，请求体是format data
ps：
1、登录窗口，文件上传等，信息都会被附加到请求体内
2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post
三、response
#1、响应状态 200：代表成功 301：代表跳转 404：文件不存在 403：权限 502：服务器错误 #2、respone header set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来 #3、preview就是网页源代码 最主要的部分，包含了请求资源的内容 如网页html，图片 二进制数据等
示例：
import requests import re import hashlib,time # def get_index(url): # 获取当前url的页面内容 # response=requests.get(url) # if response.status_code == 200: # return response.text # # def parse_index(res): # 匹配需要访问的标签 # urls=re.findall(r'class="items".*?href="(.*?)"',res,re.S) # return urls # # def get_detail(urls): # 根据需要访问的标签匹配需要的内容标签 # for url in urls: # if not url.startswith('http'): # url='http://www.xiaohuar.com%s' %url # r1=requests.get(url) # if r1.status_code == 200: # l=re.findall(r'id="media".*?src="(.*?)"',r1.text,re.S) # if l: # mp4_url=l[0] # # print(mp4_url) # save(mp4_url) # # def save(url): # 保存需要访问的地址内容 # print('Download：%s' %url) # r2=requests.get(url) # if r2.status_code == 200: # m=hashlib.md5() # m.update(url.encode('utf-8')) # m.update(str(time.time()).encode('utf-8')) # filename='%s.mp4' %m.hexdigest() # file_path=r'G:\\%s' %filename # with open(file_path,'wb') as f: # f.write(r2.content) # # # def main(): # 匹配所有的页面 # for i in range(5): # res1=get_index('http://www.xiaohuar.com/list-3-%s.html' %i) # res2=parse_index(res1) # get_detail(res2) # # # if __name__ == '__main__': # main()
