爬虫的基本原理、requests模块、模拟登陆网站、爬取视频网站、cookie池和代理池、正向代理和反向代理

1、爬虫的定义：

　　向网站发起请求，获取资源后分析并提取有用数据的程序

2、爬虫的基本流程

　　（1）发送请求：

　　　　使用http库向目标站点发起http请求，即发送一个Request Request包含：请求头、请求体等

　　（2）获取响应内容：

　　　　如果服务器能正常响应，则会得到一个Response Response包含：html，json，图片，视频等

　　（3）解析内容：

　　　　解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等 解析json数据：json模块 解析二进制数据:以b的方式写入文件

　　（4）保存数据：

　　　　数据库 文件

3、cookie池和代理池：

　　cookie池：可能某些网站设置了访问的频率限制，用来模拟不同的用户进行访问

　　代理池：用来模拟不同的ip用户对网站进行访问

4、正向代理和反向代理：

　　正向代理：代理自己，例如FQ（访问谷歌）：向某个服务器发请求，服务器再向谷歌发请求，请求数据再返回给自己。

　　反向代理：向服务器发请求(一个ip地址)，发送到nginx（反向代理服务器），再发送到后台服务器上（可能有很多台，但看看起来就是一台）。

5、模拟登陆：

# 设置请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36'
}
# 登录的post请求，以及携带的参数
res = requests.post(
    'http://www.aa7a.cn/user.php',
    headers=headers,
    data={
'username':'1640808365@qq.com',
'password':'147258369..',
'captcha': 'ubw3',
'remember': 1,
'ref': 'http://www.aa7a.cn/',
'act': 'act_login'
    })
# 登录成功请求结果中得到的cookies
cookie = res.cookies.get_dict()
# 验证登录成功的请求页面是否包含登录信息
res = requests.post('http://www.aa7a.cn/', headers=headers, cookies=cookie)
if '1640808365@qq.com' in res.text:
    print('登陆成功！')
else:
    print('登录失败！')

 

6、 爬取梨视频案例：

import re
# 爬取梨视频步骤：
# 1.先获取要爬取内容的目标url
# https://www.pearvideo.com/category_loading.jsp?reqType=5&categoryId=3&start=36&mrd=0.762001536578264&filterIds=1625871,1625877,1625918,1625694,1625682,1625684,1625687,1625674,1625664,1625661,1625648,1625645,1625634,1625614,1625604
# 2.分析需要得到的链接
res = requests.get('https://www.pearvideo.com/category_loading.jsp?reqType=5&categoryId=3&start=36')
# 3.利用正则得到想要匹配的内容
# <a href="video_1625614" class="vervideo-lilink actplay">
reg_txt = '<a href="(.*?)" class="vervideo-lilink actplay">'
obj = re.findall(reg_txt, res.text)
# print(obj)
# 4.拼接需要访问的路径：如：https://www.pearvideo.com/video_1625614
for url in obj:
    res_url = 'https://www.pearvideo.com/'+url
    # 得到的视频页面
    res_v = requests.get(res_url)
    # 5、匹配到最终的视频地址（列表）
    obj_v = re.findall('srcUrl="(.*?)"', res_v.text)
    # print(obj_v)
    obj1 = requests.get(obj_v[0])
    # 切分出视频名称
    name = obj_v[0].rsplit('/', 1)[1]
    print(name)
    # 循环写入文件中，iter_content()：二进制流
    with open(name, 'wb') as f:
        for line in obj1.iter_content():
            f.write(line)