爬虫基础教程之requests模块

目录

• 回顾
• 爬虫介绍
  • 爬虫是什么？
  • 爬虫的本质？
• request模块介绍
• request发送get请求
• request携带参数
  • 方式一：直接拼接到路径中
  • 方式二：使用params参数
• url编码解码
• 携带请求头
  • 什么叫多路复用？
• 发送post请求,携带数据
  • 双token认证
• 发送post请求
• 自动登录，携带cookie的两种方式
• requests.session的使用
• 补充post请求携带数据编码格式
• 响应Response对象
• 编码问题
• 下载图片，视频

rmirtualenv 虚拟环境名称

workon 虚拟环境名称

workon

cmdb资产管理系统

人脸识别百度会开放ai接口

Echarts折线图

echarts.apache

回顾

# 1 上线架构图


# 2 购买云服务器
	
# 3 远程链接云服务器
	-xshell
    -fianlshell
    
    
# 4 安装mysql
	-下载rpm包
    -安装
    -修改root用户密码

# 5 redis 源码
	-在不同平台编译
    -make  make install
    -做软连接：
  

# 6 python3.8  
	-安装前置软件
    -下载源码包
    -解压

# 7 安装uwsgi
	
	
    
# 8 安装虚拟环境
	

# 9 安装Nginx
	1）启动
    >: nginx

    2）关闭nginx
    >: nginx -s stop

    3）重启nginx
    >: nginx -s reload

    4）查看端口，强行关闭
    >: ps -aux|grep nginx
    >: kill <pid:进程编号>

# 10 上线前端
	编译vue：npm run build---》dist文件夹下
    传到服务器：lrzsz 
    解压zip ：unzip
    copy到  /home/html
    
    修改nginx配置文件，让它能够代理前端静态文件
    
# 11 后端上线
	-修改后的代码，提交到git上
	-云服务器：git clone下来
    	-logs文件必须要有
        
    -安装所有依赖：先装能装的
    -uwsgi上线：虚拟环境也要装
    -uwsgi配置文件
   
	-nginx 增加一个新增的server

# 12 数据库配置
	-创建数据库
    -新增用户
    -录入数据
    
# 13 处理前端静态资源
	STATIC_ROOT = ''  
    python manage_prod.py collectstatic
    
    nginx代理

# 14 域名解析





# 开源项目赏析
	https://gitee.com/huap/projects

# 期终架构可以写的项目
	-1 考试系统
    	-学生端：
        	签到签退功能：人脸识别签到，迟到，忘记签到
            	-补签：老师审批
               	-日历
    		考试功能：
            	-每天早上：考试  10分钟  考昨天学过的内容
                -选择题，填空题，简单题---》选择和填空自动阅卷
                	-简单版 简单题老师打分
                    -高级版：提交后，同学匿名互相阅卷---》1
                    -自动阅卷：网上有自动阅卷的方法
                -考试分数高有积分功能
                -错题本
                
             刷题功能：
            	-面向对象，网络编程，生成一套试卷，刷题
            积分功能
            	-考试成绩高
                -积分兑换功能：学长简历，学长面试录音，学长笔试题带答案
                
        -老师端
        	-每个班同学签到情况：echars画图
        	-阅卷
            -修改分数
            
        -超级管理员端
        	-老师和学生管理
            -excel导入
            
            
    -2 有过其他工作经历
    	-之前使用过的系统，想一下实现
        -需求：仓储管理系统---》下午发给你们
        -海运管理系统
        -医院的管理系统
        -会籍管理，客户管理 ，游泳馆：crm 客户关系管理
        
    -3 开心幼儿园：app，幼儿园管理的app
    
    
    -4 小程序商城，商城app
    	-二手汽车商城
        -二手交易
    -5 自动化运维的
    	-psutils
        -paramiko：https://www.cnblogs.com/liuqingzheng/p/13642948.html
    -6 自动化测试
    
    -7 觉得哪个项目不错，仿写
    	-二次元 视频播放
        -看漫画app
        -小说网站
    
    -8 rbac权限管理系统
    	-使用别人前端
        -自己写后端
        
    -9 数字藏品
    
    -10 微信点单 奈雪的茶 小程序
        
    -不要拿着别人的前端用，不要拿着被人代码读
    	-看到哪个页面比较好，把页面样式和html copy过去，自己写js代码
    	

爬虫介绍

爬虫是什么？

爬虫就是程序---》从互联网中，各个网站上，爬取数据[你能浏览的页面才能爬]，做数据清洗，入库

爬虫的本质？

-模拟方式http请求，获取数据---》入库

用于网站

app：抓包

# 补充：百度其实就是一个大爬虫
	-百度爬虫一刻不停的在互联网中爬取各个页面---》爬取完后---》保存到自己的数据库中
    -你在百度搜索框中搜索---》百度自己的数据库查询关键字---》返回回来
    -点击某个页面----》跳转到真正的地址上
    -seo：
    -sem：充钱的
    
    
# 咱们学习的
	-模拟发送http请求
    	- requests模块
        - selenium
        -反扒：封ip：ip代理，封账号：cookie池
    -解析数据：bs4
    -入库：mysql，redis，文件中
    
    -爬虫框架：scrapy

request模块介绍

# 使用python如何发送http请求
# 模块：requests模块,封装了python内置模块urllib
	使用requests可以模拟浏览器的请求（http），比起之前用到的urllib，requests模块的api更加便捷（本质就是封装了urllib3)
    
# 安装
pip3 install requests

request发送get请求

import requests

res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html')
print(res.text)


# 如果有的网站，发送请求，不返回数据，人家做了反扒---》拿不到数据，学习如何反扒
# res = requests.get('https://dig.chouti.com/')
# print(res.text)

request携带参数

方式一：直接拼接到路径中

res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html?name=lqz&age=19')

方式二：使用params参数

res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html',params={'name':"lqz",'age':19})
# print(res.text)
print(res.url)

url编码解码

import requests
from urllib.parse import quote,unquote
# res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html',params={'name':"彭于晏",'age':19})
# # print(res.text)
#
# 如果是中文，在地址栏中会做url的编码：彭于晏：%E5%BD%AD%E4%BA%8E%E6%99%8F
# print(res.url)
# 'https://www.baidu.com/s?wd=%E5%B8%85%E5%93%A5'


编码：
# res=quote('彭于晏')
# print(res)

解码
res=unquote('%E5%BD%AD%E4%BA%8E%E6%99%8F')
print(res)

携带请求头

反扒措施之一：就是请求头

http请求中，请求头中有一个很重要的参数 User-Agent

	-表明了客户端类型是什么：Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36
    -如果没有带这个请求头，后端就禁止
    -request发送请求，没有携带该参数，所以有的网站就禁止了

import requests
# http请求头：User-Agent，cookie，Connection

# http协议版本间的区别
Connection: keep-alive
http协议有版本：主流1.1   0.9   2.x
http 基于TCP 如果建立一个http链接---》底层创建一个tcp链接
 1.1比之前多了keep-alive
 2.x比1.x多了 多路复用
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
res = requests.get('https://dig.chouti.com/',headers=headers)
print(res.text)

什么叫多路复用？

发送post请求,携带数据

import requests

# 携带登录信息，携带cookie
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36',
    'Cookie': ''
}
# post请求，携带参数
data = {
    'linkId': '38063872'
}
res = requests.post('https://dig.chouti.com/link/vote', headers=headers, data=data)
print(res.text)



# 双token认证

双token认证

发送post请求

import requests

# 携带登录信息，携带cookie
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36',
    'Cookie': ''
}
# post请求，携带参数
data = {
    'linkId': '38063872'
}
res = requests.post('https://dig.chouti.com/link/vote', headers=headers, data=data)
print(res.text)

自动登录，携带cookie的两种方式

# 登录功能，一般都是post

import requests

data = {
    'username': '',
    'password': '',
    'captcha': '3456',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}

res = requests.post('http://www.aa7a.cn/user.php',data=data)
print(res.text)
# 响应中会有登录成功的的cookie，
print(res.cookies)  # RequestsCookieJar 跟字典一样
# 拿着这个cookie，发请求，就是登录状态


# 访问首页，get请求，携带cookie，首页返回的数据一定会有 我的账号
携带cookie的两种方式  方式一是字符串，方式二是字典或CookieJar对象
# 方式二：放到cookie参数中
res1=requests.get('http://www.aa7a.cn/',cookies=res.cookies)

print('616564099@qq.com' in res1.text)

requests.session的使用

# 为了保持cookie ，以后不需要携带cookie


import requests

data = {
    'username': '',
    'password': '',
    'captcha': '3456',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}

session = requests.session()
res = session.post('http://www.aa7a.cn/user.php', data=data)
print(res.text)
res1 = session.get('http://www.aa7a.cn/')  # 自动保持登录状态，自动携带cookie

print('616564099@qq.com' in res1.text)

补充post请求携带数据编码格式

import requests

# data对应字典，这样写，编码方式是urlencoded
requests.post(url='xxxxxxxx',data={'xxx':'yyy'})
# json对应字典，这样写，编码方式是json格式
requests.post(url='xxxxxxxx',json={'xxx':'yyy'})
# 终极方案，编码就是json格式
requests.post(url='',
              data={'':1,},
              headers={
                  'content-type':'application/json'
              })

响应Response对象

# Response相应对象的属性和方法
import requests
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
respone=requests.get('http://www.jianshu.com',headers=headers)
# respone属性
print(respone.text) # 响应体转成了字符串
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)  # cookie是在响应头，cookie很重要，它单独做成了一个属性
print(respone.cookies.get_dict()) # cookieJar对象---》转成字段
print(respone.cookies.items())  # cookie的键值对

print(respone.url)    # 请求地址
print(respone.history) # 不用关注

print(respone.encoding)  # 响应编码格式

编码问题

# 有的网站，打印
res.text --->发现乱码---》请求回来的二进制---》转成了字符串---》默认用utf8转---》
response.encoding='gbk'
再打印res.text它就用gbk转码

下载图片，视频

import requests

# res=requests.get('http://pic.imeitou.com/uploads/allimg/230224/7-230224151210-50.jpg')
# # print(res.content)
# with open('美女.jpg','wb') as f:
#     f.write(res.content)
#


res=requests.get('https://vd3.bdstatic.com/mda-pcdcan8afhy74yuq/sc/cae_h264/1678783682675497768/mda-pcdcan8afhy74yuq.mp4')
with open('致命诱惑.mp4','wb') as f:
    for line in res.iter_content():
        f.write(line)