day3总结(爬虫的相关知识)
''' 今日内容: 一、爬虫原理 二、Requests请求库 ''' ''' 一、爬虫原理 1.什么是互联网? 指的是由一堆网络设备,把一台台的计算机互联网到一起称之为互联网。 2.互联网建立的目的? 互联网建立的目的是为了数据的传递以及数据的共享, 3 什么是数据 例如淘宝,京东等商品 东方财富、雪球网的一些证券投资信息 链家自如等房源信息 12306的服务信息 4.上网的全过程: 一普通用户: 打开浏览器一>往目标站点发送请求一>获取响应数据一>渲染到浏览器中 -爬虫程序: 模拟浏览器一>往目标站点发送请求一>获取响应数据一> 提取有价值的数据一>持久化到数据中 5.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 一服务端 https://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数据。 6.爬虫的全过程 发送请求 (需要请求库:Requests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. ..) -保存到本地 (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 2.爬取视频 3.抓包分析 打开浏览器的开发者模式(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 POST: 需要携带用户信息往目标地址发送请求 https://www.cnblogs.com/login { 'user':'tank' 'pwd':'123' } 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(证明是通过电脑设备及浏览器发送的请求) Cookies:登陆用户真实信息(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' } 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 #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='https://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) ''' 视频选项: 1.梨视频 ''' import requests #往视频源地址发送请求 response = requests.get(url='https://video.pearvideo.com/mp4/adshort/20190625/cont-1570302-14057031_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) ''' 1.先往梨视频主页发送请求 https://www.pearvideo.com/ 解析获取所有视频的id: video_1570302 re.findall() 2.获取视频详情页url: 惊险!男子抢上地铁滑倒,就脚进去了 https://www.pearvideo.com/video_1570302 ''' import requests import re # 正则,用于解析文本数据 # 1、先往梨视频主页发送请求 response = requests.get('https://www.pearvideo.com/') print(response.text) # re正则匹配获取所有视频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_(.*?)"', response.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 = 'https://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 response =requests.get(url=detail_url) print(response.text) #解析并提取详情页视频url # 视频url video_url = re.findall('srcUrl="(.*?)"', response.text, re.S)[0] print(video_url) #视频名称 video_name = re.findall('<h1 class="video-tt">(.*?)</h1>',response.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') ''' 爬取豆瓣电影 ''' ''' https://movie.douban.com/top250?start=0&filter= https://movie.douban.com/top250?start=25&filter= https://movie.douban.com/top250?start=50&filter= 1.发送请求 2.解析数据 3.保存数据 ''' import requests import re # 爬虫三部曲 # 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)