爬虫从入门到入狱(一)

今日内容概要

• 爬虫介绍
• requests模块发送get请求
• get请求携带参数
• 携带请求头
• 携带cookie
• 发送post请求
• 响应Response
• 获取二进制数据
• 解析json

今日内容详细

爬虫介绍

爬虫：spider，网络蜘蛛

# 本质原理
    -现在所有的软件原理：大部分都是基于http请求发送和获取数据的
        -pc端的网页
        -移动端app
    -模拟发送http请求，从别人的服务端获取数据
    -绕过反扒：不同程度反扒措施不一样，比较复杂

# 爬虫原理
    发送http请求【requests，selenium】--->第三方服务端--->服务端响应数据解析出想要的数据【selenium，bs4】--->入库(文件，excel，mysql，redis，mongodb..)
    scrapy：专业的爬虫框架

# 爬虫是否合法
    爬虫协议：每个网站根路径下都有robots.txt，这个文件规定了该网站哪些可以爬取，哪些不能爬

# 百度：大爬虫
    -百度搜索框中输入搜索内容，回车，返回的数据，是百度数据库中的数据
    -百度一刻不停的在互联网中爬取各个页面，链接地址--->爬完存到自己的数据库
    -当你点击，跳转到真正的地址上去了
    -核心：搜索，海量数据中搜索出想要的数据
    -seo：免费的搜索，排名靠前
    -sem：花钱买关键字

requests模块发送get请求

# 模拟发送http请求的模块：requests不仅仅做爬虫用它，后期调用第三方接口，也是要用它的
# 安装
    pip3 install requests


# 代码演示
import requests
res=requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html')
print(res.text) # http响应体的文本内容

get请求携带参数

方式一：地址栏中拼接

res=requests.get('https://www.cnblogs.com/?name=lqz&age=19')
print(res.text)

方式二：使用params参数

res=requests.get('https://www.cnblogs.com/',params={'name':'lqz','age':19})
print(res.text)

小注意：如果中文涉及到 url的编码和解码

from urllib import parse
res=parse.quote('美女')
print(res)
res=parse.unquote('%E7%BE%8E%E5%A5%B3')
print(res)

携带请求头

http 请求有请求头，有的网站通过某些请求头来做反扒，只要在请求头中添加user-agent参数即可，还有图片防盗链，还有除了首页外，上一个地址不是我们自己的地址，就禁掉。

#  请求头中带数据---->爬取某个网站，不能正常返回，模拟的不像
#  网站做反扒，禁掉没有携带请求头中的客户端类型
# User-Agent：客户端类型：有浏览器，手机端浏览器，爬虫类型，程序，scrapy。。一般伪造成浏览器
# referer：上次访问的地址：Referer: https://www.lagou.com/gongsi/
    # 如果要登录，模拟向登录接口发请求，正常操作必须在登录页面上才能干这事，如果没有携带referer，它就认为你是恶意的，拒绝调用
    # 图片防盗链

header={
    # 客户端类型
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'}
res=requests.get('https://dig.chouti.com/',headers=header)
print(res.text)

携带cookie

方式一：直接带在请求头中
# 模拟点赞
data={
    'linkId':'36996038'
}
header={
    # 客户端类型
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
    #携带cookie
'Cookie':''
}
res=requests.post('https://dig.chouti.com/link/vote',data=data,headers=header) print(res.text)


方式二：通过cookie参数：因为cookie很特殊，一般都需要携带，模块把cookie单独抽取成一个参数，是字典类型，以后可以通过参数传入
data={
    'linkId':'36996038'
}
header={
    # 客户端类型
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
}
res=requests.post('https://dig.chouti.com/link/vote',data=data,headers=header,cookies={'key':'value'})
print(res.text)

发送post请求

# 发送post请求
data = {
    'username': '616564099@qq.com',
    'password': 'lqz123',
    'captcha': 'cccc',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}
res = requests.post('http://www.aa7a.cn/user.php', data=data)
print(res.text)
print(res.cookies)  # 响应头中得cookie，如果正常登录，这个cookie 就是登录后的cookie CookieJar：当成字典
# 访问首页，携带cookie，
# res2 = requests.get('http://www.aa7a.cn/', cookies=res.cookies)
res2 = requests.get('http://www.aa7a.cn/')
print('616564099@qq.com' in res2.text)

# post请求携带数据 data={} , json={}   drf后端，打印 request.data
# data=字典是使用默认编码格式：urlencoded
# json=字典是使用json 编码格式
res = requests.post('http://www.aa7a.cn/user.php', json={})

# request.session的使用：当request使用，但是它能自动维护cookie
session=requests.session()
data = {
    'username': '616564099@qq.com',
    'password': 'lqz123',
    'captcha': 'cccc',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}
res = session.post('http://www.aa7a.cn/user.php', data=data)
res2 = session.get('http://www.aa7a.cn/')
print('616564099@qq.com' in res2.text)

响应Response

# Response对象，有很多属性和方法
import requests

header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
}
respone = requests.get('https://www.jianshu.com', params={'name': 'lqz', 'age': 19},headers=header)
# respone属性
print(respone.text)  # 响应体的文本内容
print(respone.content)  # 响应体的二进制内容
print(respone.status_code)  # 响应状态码
print(respone.headers)  # 响应头
print(respone.cookies)  # 响应cookie
print(respone.cookies.get_dict())  # cookieJar对象，获得到真正的字段
print(respone.cookies.items())  # 获得cookie的所有key和value值
print(respone.url)  # 请求地址
print(respone.history)  # 访问这个地址，可能会重定向，放了它冲定向的地址
print(respone.encoding)  # 页面编码

获取二进制数据

# 获取二进制数据 ：图片，视频
res = requests.get(
'https://upload.jianshu.io/admin_banners/web_images/5067/5c739c1fd87cbe1352a16f575d2df32a43bea438.jpg')
with open('美女.jpg', 'wb') as f:
    f.write(res.content)

# 一段一段写

res=requests.get('https://vd3.bdstatic.com/mda-mk21ctb1n2ke6m6m/sc/cae_h264/1635901956459502309/mda-mk21ctb1n2ke6m6m.mp4')
with open('美女.mp4', 'wb') as f:
    for line in res.iter_content():
        f.write(line)

解析json

# 前后分离后，后端给的数据，都是json格式，
# 解析json格式
res = requests.get(
    'https://api.map.baidu.com/place/v2/search?ak=6E823f587c95f0148c19993539b99295&region=%E4%B8%8A%E6%B5%B7&query=%E8%82%AF%E5%BE%B7%E5%9F%BA&output=json')
print(res.text)
print(type(res.text))
print(res.json()['results'][0]['name'])
print(type(res.json()))