内容详细
1 爬虫介绍
# 写后台--->前端展示数据---》浏览器发送http请求，从后端服务器获取的--》只能从浏览器中看---》看到好看的东西---》保存到本地---》存到我们自己库中----》爬虫
# 百度本质就是一个大爬虫(搜索)，在输入框中输入搜索内容，实际是从百度的数据库搜索出来的---》
# 百度数据库的数据是从互联网爬下来的--》百度这个爬虫一刻不停的在互联网爬数据--》爬完就存到它的库里（seo优化--》优化我们的网站能够被搜索引擎先搜到，排的很靠前）--->尽可能被百度爬虫，并且容易搜索到---->seo(免费的)和sem(充钱，把你放前面)---》莆田系医院---->百度快照---》当时爬虫爬取这个网页这一刻，网页的样子---》保留这个网页地址---》当你点击标题--》跳转到这个网页--》完成了你的搜索 伪静态
# 爬虫的本质----》模拟发送http请求(浏览器携带什么，我们也要携带什么)---->服务器返回数据---》对数据进行清洗---》入库 后续操作是别的---》分析数据--》数据分析
# 爬虫协议：君子协议---》大家遵循这个协议，就不违法--》规定了我的网站，什么能爬，什么不能爬
https://www.baidu.com/robots.txt
https://www.cnblogs.com/robots.txt
# 爬虫本质跟用浏览器访问没什么区别
2 requests模块介绍，发送get请求
# 所有语言都可以做爬虫---》python简单一些---》库多
# 模拟发送http请求的库，requests库----》大佬基于python内置库 urllib(麻烦) 封装--》requests
# 安装
pip3 install requests
# 模拟发送get请求
import requests
res=requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html')
print(res.text) # 响应体的内容打印出来了
3 get地址中携带参数
## 2 get 请求中携带参数
# res=requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html',
# params={'name':'lqz','age':18}
# )
# # ?name=lqz&age=18拼到路径后面
# print(res.text) # 响应体的内容打印出来了
# url编码和解码
# https://www.baidu.com/baidu?wd=python%20url%E7%BC%96%E7%A0%81%E5%92%8C%E8%A7%A3%E7%A0%81
# 把字段中文编码后转成 name=%E5%88%98%E6%B8%85%E6%94%BF&age=18
# from urllib.parse import urlencode
# d={'name':'刘清政','age':18}
# res=urlencode(d)
# print(res)
# 只想单独对中文编码和解码
from urllib.parse import quote, unquote
# 编码
# name='刘清政'
# res=quote(name)
# print(res)
# 解码
# s='python%20url%E7%BC%96%E7%A0%81%E5%92%8C%E8%A7%A3%E7%A0%81'
# print(unquote(s))
4 携带请求头
# 3 携带请求头
# 携带请求头-->重要的key:
# User-Agent:客户端浏览器的类型版本信息，操作系统版本---》django中如何取出请求头--》META---》中间件--》存到数据库--》饼形图--》统计你们网站近一个月客户端类型
# referer:图片防盗链 Referer: https://www.lagou.com/wn/zhaopin
# 记录的是上一个访问的地址---》反扒：如果上一个访问的地址不是自己的地址，认为不是正常请求就禁止
# header = {
# 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36',
# # 'Accept-Encoding': 'gzip, deflate, br',
# }
# res = requests.get('https://dig.chouti.com/',headers=header)
# with open('chouti.html','wb') as f:
# f.write(res.content)
# print(res.text)
5 携带cookie
## 本身cookie是请求头中的值，那么就可以执行放在请求头中，但是cookie经常用，也可以单独是一个参数
# 模拟点赞
header = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36',
# 'Cookie': ""
}
data={
'linkId': '34934736'
}
# res = requests.post('https://dig.chouti.com/link/vote',data=data,headers=header)
res = requests.post('https://dig.chouti.com/link/vote',data=data,headers=header,cookies={'key':'value'})
print(res.text)
6 发送post请求模拟登陆
#5 模拟登陆某网站
# data = {
# 'username': '616564099@qq.com',
# 'password': 'lqz123',
# 'captcha': 'kyca',
# '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) # 登陆成功返回的cookie，这个cookie是登陆过后的，以后拿着这个cookie就可以模拟登陆后操作
#
# res2=requests.get('http://www.aa7a.cn/',cookies=res.cookies)
# print('616564099@qq.com' in res2.text)
# 每次都要手动携带cookie，麻烦，使用requests提供的session 方法
# session=requests.session()
# # 以后需所有请求都用session对象发送，不需要手动处理cookie
# data = {
# 'username': 'ee@qq.com',
# 'password': 'lqz123',
# 'captcha': 'kyca',
# 'remember': 1,
# 'ref': 'http://www.aa7a.cn/',
# 'act': 'act_login',
# }
# res = session.post('http://www.aa7a.cn/user.php',data=data)
# print(res.text)
# print(res.cookies) # 登陆成功返回的cookie，这个cookie是登陆过后的，以后拿着这个cookie就可以模拟登陆后操作
#
# res2=session.get('http://www.aa7a.cn/')
# print('616564099@qq.com' in res2.text)
7 响应对象
## 6 响应对象
import requests
respone=requests.get('http://www.jianshu.com')
# respone属性
print(respone.text) # 返回响应体的文本内容
print(respone.content)# 返回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)# 响应的cookie
print(respone.cookies.get_dict())# 响应的cookie转成字典
print(respone.cookies.items())
print(respone.url) # 请求地址
print(respone.history) # 了解---》如果有重定向，列表，放着重定向之前的地址
print(respone.encoding) # 页面的编码方式：utf-8 gbk
# response.iter_content() # content迭代取出content二进制内容，一般用它存文件
8 编码问题(一般不会有问题)
# 请求回来的数据，res.text 打印的时候乱码 ，因为没有指定编码，默认已utf-8编码
# 解决
response.encoding='gbk'
9 获取二进制数据
# 下载图片，视频
# 下载图片
header={
'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36'
}
res=requests.get('https://tva1.sinaimg.cn/mw2000/9d52c073gy1h1v6lmny8nj20j60pjtdh.jpg',headers=header)
with open('mv.jpg','wb') as f:
# f.write(res.content)
for line in res.iter_content(100):
f.write(line)
10 解析json
## 8 json格式解析
import json
data = {
'cname': '',
'pid': '',
'keyword': '上海',
'pageIndex': 1,
'pageSize': 10,
}
# res = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword',data=data)
# j = json.loads(res.text)
# print(j['Table'][0]['rowcount'])
res= requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword',data=data).json()
print(res['Table'][0]['rowcount'])
11 ssl认证
# 之前网站，有些没有认证过的ssl证书，我们访问需要手动携带证书
# 跳过证书直接访问
import requests
respone=requests.get('https://www.12306.cn',verify=False) #不验证证书,报警告,返回200
print(respone.status_code)
# 手动携带
import requests
respone=requests.get('https://www.12306.cn',
cert=('/path/server.crt',
'/path/key'))
print(respone.status_code)
12 使用代理
# 爬虫，速度很快，超过频率限制---》使用代理，切换ip---》封ip封的也是代理的ip，我的ip没问题
# 作业：网上有一个python开源的代理池---》自己搭建起来https://github.com/jhao104/proxy_pool
# 作业：写个django，用户访问就返回用户的ip地址--》放到公网上，用manage.py跑起来---》访问
# 客户端使用request加代理访问你的django，验证代理是否使用成功
proxies = {
'http': '39.103.217.44:59886', # http或https代理
}
respone=requests.get('https://www.baidu.com',proxies=proxies)
print(respone.status_code)
