爬虫（一）—— 爬虫基础

爬虫基础

目录

• 爬虫基础
  • 一、什么是爬虫
  • 二、爬虫的原理
  • 三、爬虫的目的
  • 四、爬虫爬取的过程
  • 五、爬虫与HTTP协议
  • 六、请求流程
    • 1、请求地址url
    • 2、请求方法
    • 3、请求头
    • 4、请求体
    • 5、响应头
    • 6、响应体
  • 七、爬取梨视频
  • 八、模拟GitHub登录

一、什么是爬虫

​ 爬虫是一种应用程序，用于从互联网中获取有价值的数据，从本质上来看，属于client客户端程序。

二、爬虫的原理

​ 通常我们所谓的上网，其实本质就是用计算机通过网络去访问另一台计算机上的数据，而这些数据通常以网页的形式存在于服务器上，网页本质上就是一个文本文件，要想得到有价值的数据，第一步就是要得到这些网页数据，这就需要分析浏览器与服务器之间到底是如何通讯的，然后模拟浏览器来与服务器通讯，从而获取数据。当然爬虫不仅限于爬取网页，还可爬取移动设备常用的json数据等等，以及其他格式的二进制数据等等。

三、爬虫的目的

​ 互联网中最宝贵的就是数据了，例如淘宝的商品数据，链家的房源信息，拉钩的招聘信息等等，这些数据就像一座矿山，爬虫就像是挖矿的工具，掌握了爬虫技术，你就成了矿山老板，各网站都在为你免费提供数据。

四、爬虫爬取的过程

模拟浏览器 -- 获取服务器返回的数据 -- 解析数据 -- 存储

五、爬虫与HTTP协议

首先爬虫的核心原理就是模拟浏览器发送HTTP协议来获取服务器上的数据，那么要想服务器接受你的请求，则必须将自己的请求伪装的足够像，这就需要我们去分析浏览器是如何发送的HTTP请求

其次：HTTP协议是基于请求响应模型的，客户端发送请求到服务器，服务器接受请求，处理后返回响应数据，只有服务器认为合格合法的请求才会得到服务器的响应。

六、请求流程

1、请求地址url

浏览器发送的请求URL地址

2、请求方法

get 	中文需要URL编码，参数跟在url后面
post 	参数放在body中

3、请求头

请求的头部，包括了cookie、user-agent、referer信息

cookie        用于识别用户的身份，通常在访问一些私有的页面时需要使用cookie
user-agent      用户代理，用于标识是由什么客户端发起的请求，一般不同浏览器的用户代理不同
referer       引用页面，判断是从哪个页面点击过来的

4、请求体

只在 post 请求时需要关注，通常post请求参数都放在请求体中，例如登录时的用户名和密码

5、响应头

1. location       重定向的目标地址，仅在状态码为3XX时出现，需要考虑重定向时的方法，参数等，浏览器会自动重定向，request模块也会
2. set-cookie 		服务器返回的cookie信息，在访问一些隐私页面是需要带上cookie

6、响应体

​ 服务器返回的数据，可能以下几种类型:

1. HTML格式的静态页面		需要解析获取需要的数据
2. json个格式的结构化数据	   直接就是纯粹的数据
3. 二进制数据			 通过文件操作直接写入文件

七、爬取梨视频

import requests
import re

base_url = 'https://www.pearvideo.com/'


def get_index():
    res = requests.get(base_url, headers={
        'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36',
        'referer': 'https: // www.baidu.com / link?url = fUq54ztdrrLaIUXa - p6B9tuWXC3byFJCyBKuvuJ_qsPw8QLrWIfekFKGgmhqITyF & wd = & eqid = c5366da10000199a000000025c45768a"'
    })
    # print(res.text)
    return res.text


def parse_index(text):
    res = re.findall('<a href="(.*?)" class="actcont-detail actplay">', text)
    # print(res)
    urls = [base_url + i for i in res]
    # print(urls)
    return urls


def get_details(url):
    res = requests.get(url)
    # print(res.text)
    return res.text


def parse_details(details):
    title = re.search('<h1 class="video-tt">(.*?)</h1>', details).group(1)
    print(title)
    date = re.search('<div class="date">(.*?)</div>', details).group(1)
    count = re.search('<div class="fav" data-id=".*?">(.*?)</div>', details).group(1)
    content = re.search('<div class="summary">(.*?)</div>', details).group(1)
    # print(title, date, count, content)
    dic = {'title': title, 'date': date, 'count': count, 'content': content}
    return dic


if __name__ == '__main__':
    data = get_index()
    videos_urls = parse_index(data)
    for videos_url in videos_urls:
        details = get_details(videos_url)
        details_dic = parse_details(details)
        print(details_dic)

八、模拟GitHub登录

"""
1.请求登陆页面 获取token cookie
2.发生登陆的post请求,将用户名密码 和token 放在请求体中,cookie放在请求头中

"""
import requests
import re
login_url = "https://github.com/login"

headers = {"user-agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}

res1 = requests.get(login_url,headers=headers)

print(res1.status_code)
# 从响应体中获取token
token = re.search('name="authenticity_token" value="(.*?)"',res1.text).group(1)
print(token)
# 保存cookie
login_cookie = res1.cookies.get_dict()
print(login_cookie)

# 发送登陆请求
res2 = requests.post("https://github.com/session",
              headers={
                  "user-agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"},
              cookies = login_cookie,
              data={
                "commit": "Sign in",
                "utf8": "✓",
                "authenticity_token": token,
                "login": "xxxxxx",
                "password": "xxxxxxxxxx"},
                # 是否允许自动重定向
                allow_redirects = False)
print(res2.status_code)

# 用户登录成功后的cookie
user_cookie = res2.cookies.get_dict()

# 访问主页
res3 = requests.get("https://github.com/settings/profile",cookies = user_cookie,headers = headers)
print(res3.status_code)
print(res3.text)
# "https://github.com/settings/profile"