爬虫简介：
1.本质是：模拟发送http请求（request）--》解析返回数据（re，bs4， lxml，json）--》入库（redis， mysql，mongodb）
2.用app爬虫：本质一模一样
3.python做爬虫的优势：包多，有很多爬虫框架：scrapy:性能很高的爬虫框架，爬虫届的django
爬虫的应用：百度谷歌都是一个大爬虫，在百度搜索，其实就是去百度的服务器的库中搜的，百度会一直爬虫，在互联网上进行爬取，把页面存储到自己的库中
http协议：超文本传输协议，规定了浏览器与服务端之间数据传输的格式
四大特性：基于请求响应，基于tcp/ip作用于应用层之上的协议，无状态，无连接
数据格式：
请求格式：
请求首行：（请求方式 协议版本）
请求头：（一大堆的k，v键值对）
请求体：（携带的数据）
响应格式：
响应首行（响应状态码）
响应头（一大堆k，v键值对）
响应体 （浏览器展示给用户看的数据）
响应状态码：用数字来表示一大堆提示信息
1xx：服务端已经成功接收到客户端的数据正在处理
2xx：200表示请求成功 服务端已经返回了你想要的数据
3xx：重定向
4xx：404请求资源不存在，403是指当前不具备请求该资源的条件
5xx：500表示服务器错误
特点：
1）应用层协议
2）基于请求-响应模式：
客户端主动发起请求--》 服务端才能响应（服务端不能主动推送消息，所以做聊天室相关的要用轮询和长轮询，websocket协议：主动推送消息）
3）无状态保存（cookie，session，token）
4）无连接：一次请求一次响应（http协议的版本：0.9，1.1：多次请求，共用一个socket连接，2.0：一次请求，可以携带多个http请求）
http请求：请求首行，请求头，请求体
-127.0.0.1/name=god&age=18：放在请求首行
-post请求请求体中放数据：name=god&age=18 放在请求体中
-post请求，可以这样发：127.0.0.1/name=god&age=18，django数据requtes.GET
-放在体中的：request.POST
-请求体的格式（编码格式）：
urlencode:name=god&age=18 ---》request.POST
json:{name:lqz,age:18} ---->request.POST取不出来(因为django框架没有做这个事)
formdata:传文件 ----》request.POST
http响应：
# 响应首行：状态码：1，2，3，4，5
# 响应头：key：value
-cookie：
-cache-control：缓存控制
# 响应体：
html，json
# 浏览器调试
-右键--》调试模式
-elements：响应体，html格式
-console：调试窗口（js输出的内容，在这能看到）
-network：发送的所有请求，all xhr：ajax请求
request模块
pip install request
以前是urlib2：内置的库，不太好用，繁琐，所以封装出request模块
# 1 request模块的基本使用
import requests
发送http请求
get,delete,post。。本质都是调用request函数
ret=requests.get('https://www.cnblogs.com')
print(ret.status_code) # 响应状态码
print(ret.text) # 响应体，转成了字符串
print(ret.content) # 响应体，二进制
ret=requests.post()
ret=requests.request("get",)
ret=requests.delete()
# 2 get 请求带参数
方式一：
ret = request.get('http://0.0.0.0:8001/name=xxx&age=18')
方式二：（推荐使用）中文会自动转码
ret=requests.get('http://0.0.0.0:8001/',params={'name':"美女",'age':18})
# 3 带headers
ret = request.get('http://0.0.0.0:8001/name=xxx&age=18'，
headers={
#标志什么东西发出来的请求，携带浏览器信息，django框架，会从哪里取？（meta）
'User-Agent':'request',
# 上一个页面的地址，图片防盗链
'Referer':'xxx'
}
)
# 何为图片防盗链：如果图片的referer不是自己的网站，就会被直接禁掉
图片不能携带自定义的referer
# 4 带cookie,随机字符串(用户信息：也代表session)，不管后台用的token认证，还是session认证
# 一旦登陆了，带着cookie发送请求，表示登陆了
# 第一种方式
# ret = requests.get('http://0.0.0.0:8001/?name=%E7%BE%8E%E5%A5%B3',
# headers={
# 'cookie': 'key3=value;key2=value',
# })
# 第二种方式
# ret = requests.get('http://0.0.0.0:8001/?name=%E7%BE%8E%E5%A5%B3',
# cookies={"islogin":"xxx"})
# print(ret)
# 5 发送post请求（注册，登陆），携带数据（body）
# psot方法携带的参数：data=None, json=None
# data:urlencoded编码
ret=requests.post('http://0.0.0.0:8001/',data={'name':"god",'age':18})
# json:json编码
import json
data=json.dumps({'name':"god",'age':18})
ret=requests.post('http://0.0.0.0:8001/',json=data)
print(ret)
# 注意：编码格式是请求头中带的，可以手动修改，在headers中改
# 6 session对象
session=requests.session()
跟requests.get/post用起来完全一样，但是它处理了cookie
# 假设是一个登陆，并且成功
session.post()
# 再向该网站发请求，就是登陆状态，不需要手动携带cookie，如果是request.get就需要手动带一个cookie
session.get("地址")
# 7 响应对象
print(respone.text) # 响应体转成str
print(respone.content) # 响应体二进制（图片，视频）
print(respone.status_code) # 响应状态码
print(respone.headers) # 响应头
print(respone.cookies) # 服务端返回的cookie
print(respone.cookies.get_dict()) # 转成字典
print(respone.cookies.items())
print(respone.url) # 当次请求的地址
print(respone.history) # 如果有重定向，放到一个列表中
print(respone.encoding) # 编码方式
response.iter_content() # 视频，图片迭代取值
with open("a.mp4",'wb') as f:
for line in response.iter_content():
f.write(line)
# 8 乱码问题
# 加载回来的页面，打印出来，乱码（我们用的是utf8编码），如果网站用gbk，
ret.encoding='gbk'
ret=requests.get('http://0.0.0.0:8001/user')
# ret.apparent_encoding当前页面的编码
ret.encoding=ret.apparent_encoding
# 9 解析json
# 返回数据，有可能是json格式，有可能是html格式
ret=requests.get('http://0.0.0.0:8001/')
print(type(ret.text))
print(ret.text)
a=ret.json()
print(a['name'])
print(type(a))
# 10 使用代理
# 正向代理
# django如何拿到客户端ip地址 META.get("REMOTE_ADDR")
ret=requests.get('http://0.0.0.0:8001/',proxies={'http':'地址'})
print(type(ret.text))
print(ret.text)
# 11 异常处理
# 用try except捕获一下 Exception
# 12 上传文件(爬虫用的比较少，后台写服务，)
# file={'myfile':open("1.txt",'rb')}
# ret=requests.post('http://0.0.0.0:8001/',files=file)
# print(ret.content)
代理
# 代理
有免费的代理，但是不够稳定
#使用代理有什么用？
drf：一分钟只能访问六次，限制ip
每次发请求的时候，random一下
代理池：列表
import requests
# ret=requests.get('https://www.cnblogs.com/',proxies={'http':'222.85.28.130:40505'})
# 高匿：服务器，不知道我是谁
# 普通：服务端是能够知道我的ip的
# http请求头中：X-Forwarded-For：代理的过程
# ret=requests.get('http://101.133.225.166:8080',proxies={'http':'222.85.28.130:40505'})
# ret=requests.get('http://101.133.225.166:8080',proxies={'http':'114.99.54.65:8118'})
# print(ret.text)
