'''
一、爬虫原理
    1.什么是互联网？
      指的是由一堆网络，把一台台计算机互联到一起称之为互联网。
    2.互联网建立的目的？
      为了数据的传递以及数据的共享。
    3.上网的全过程：
      普通用户：打开浏览器->往目标网站发送请求->获取响应数据->渲染到浏览器中
      爬虫程序：模拟浏览器->往目标网站发送请求->获取响应数据->提取有价值数据->持久化到数据中
    4.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
      -服务端
         http：//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的数据。

    5.爬虫全过程
      -发送请求 （需要请求库：Resquests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
'''
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='http://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)
import requests
#往视频源地址发送请求
response = requests.get('https://video.pearvideo.com/mp4/adshort/20190624/cont-1569754-14051527_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)
import requests
response = requests.get('https://p.ssl.qhimg.com/dmfd/420_627_/t013bfcad28d74e60d1.jpg')

#打印二进制流、比如图片、视频等数据
print(response.content)

#保存图片到本地
with open('图片1.jpg','wb') as f:
    f.write(response.content)
'''
1.先梨视频主页发送请求
http：//www.pearvideo.com/
解析所有视频的ID
re.findall()

2.获取视频详情页
'''
import requests
import re   #正则，用于解析文本数据

#1.往梨视频主页发送请求
respons = requests.get('https://www.pearvideo.com/')
print(respons.text)

#2.re正则匹配获取所有视频的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_(.*?)"', respons.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 = 'http://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
    respons = requests.get(url=detail_url)

    解析并提取视频url
    video_url = re.findall('srcUrl="(.*?)"', respons.text, re.S)[0]
    print(video_url)
    
    #视频名称
    video_name = re.findall('<h1 class="video-tt">(.*?)</h1',respons.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')
'''
3.抓包分析
  打开浏览器开发者模式（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
              https://www.cnblogs.com/kermitjam/articles/9692597.html
         POST:需要携带用户信息发送到目标地址
              https://www.cnblogs.com/login
              
  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（证明是电脑设备及浏览器发送的请求）
     Cookies：登录用户真实信息（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'
          }
'''

'''
爬虫三部曲
1.发送请求
2.解析数据
3.保存数据

https://movie.douban.com/top250?start=0&filter=
https://movie.douban.com/top250?start=25&filter=
https://movie.douban.com/top250?start=50&filter=


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
import re

# 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)