爬虫学习day01

一、爬虫介绍（spider）

"""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
    模拟发送http请求，从别人的服务端获取数据
    绕过反扒：不同程序反扒措施不一样，比较复杂

"""爬虫原理"""
    发送http请求（requests,selenium）--->第三方服务端--->服务端响应的数据解析出想要的数据（selenium，bs4）--->入库（文件，excel，mysql，mongodb...）

"""专业的爬虫框架"""
    scrapy

"""爬出是否合法"""
    我们看到的数据才可以爬取下来
    我们在做爬虫的时候，需要遵循爬虫协议

"""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
    当我们点击的时候跳转到真正的地址上去
    核心：搜索，海量数据中搜索出想要的数据
    seo：做优化，免费的搜索，排名靠前
    sem：花钱买关键字

二、requests模块发送get请求

模拟发送http请求的模块：requests，不仅是做爬虫用到的它，它还可以做调用第三方接口

    长链接转短连接：https://www.cnblogs.com/zxr1002/p/16748545.html--->www.XXX

'''安装：'''
   pip install requests

'''本质：'''
   本质就是封装了内置模块urlib3,requests使用起来简单一点，但是也有人会使用urlib3

'''例子：'''
    import requests
    res = requests.get('https://www.cnblogs.com/zxr1002/p/16871114.html')
    print(res.text) # text就是响应体的文本内容
    它返回的不是我们网页里所看到的好看额内容，需要我们去提取所要的内容，解析数据

image

三、get请求携带参数

'''发送get请求携带数据'''

1.在地址栏后面直接拼接
    requests.get('https://www.baidu.com/s?tn=02003390_19_hao_pg&ie=utf-8&wd=%E5%B8%85%E5%93%A5')

2.使用params参数携带
    requests.get('https://www.baidu.com/s', params={
    'wd'='美女',
    'name'='zxr'
    })

3.url编码和解码
    帅哥---->%E5%B8%85%E5%93%A5

    '使用编码与解码:'
    from urllib import parse
    res=parse.quote('帅哥')
    print(res)
    res=parse.unquote('%E5%B8%85%E5%93%A5')
    print(res)

四、携带请求头

如果没有携带请求头中的客户端类型，网站可能会做出反扒

image

客户端类型:不允许非浏览器访问

header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
}

import requests

header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
}
res = requests.get('https://dig.chouti.com/', headers=header)
print(res.text)

referer：上次访问的地址

用于做反扒，如果不带referer就会会怀疑是一个恶意的请求，就会禁止掉

就是如果要登录那么正常操作是在登录页面上做的事情，如果不带这个referer，它就怀疑你是恶意的

还可以做图片的防盗链

cookie:认证后的cookie,就相当于登陆了

五、携带cookie

'''请求中携带cookie'''

方式一:
    直接带在请求头中
    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/107.0.0.0 Safari/537.36',
    # 携带cookie
    'Cookie': 'deviceId=web.eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiI3MzAyZDQ5Yy1mMmUwLTRkZGItOTZlZi1hZGFmZTkwMDBhMTEiLCJleHBpcmUiOiIxNjYxNjU0MjYwNDk4In0.4Y4LLlAEWzBuPRK2_z7mBqz4Tw5h1WeqibvkBG6GM3I; __snaker__id=ozS67xizRqJGq819; YD00000980905869%3AWM_TID=M%2BzgJgGYDW5FVFVAVQbFGXQ654xCRHj8; _9755xjdesxxd_=32; Hm_lvt_03b2668f8e8699e91d479d62bc7630f1=1666756750,1669172745; gdxidpyhxdE=W7WrUDABQTf1nd8a6mtt5TQ1fz0brhRweB%5CEJfQeiU61%5C1WnXIUkZH%2FrE4GnKkGDX767Jhco%2B7xUMCiiSlj4h%2BRqcaNohAkeHsmj3GCp2%2Fcj4HmXsMVPPGClgf5AbhAiztHgnbAz1Xt%5CIW9DMZ6nLg9QSBQbbeJSBiUGK1RxzomMYSU5%3A1669174630494; YD00000980905869%3AWM_NI=OP403nvDkmWQPgvYedeJvYJTN18%2FWgzQ2wM3g3aA3Xov4UKwq1bx3njEg2pVCcbCfP9dl1RnAZm5b9KL2cYY9eA0DkeJo1zfCWViwVZUm303JyNdJVAEOJ1%2FH%2BJFZxYgMVI%3D; YD00000980905869%3AWM_NIKE=9ca17ae2e6ffcda170e2e6ee92bb45a398f8d1b34ab5a88bb7c54e839b8aacc1528bb8ad89d45cb48ae1aac22af0fea7c3b92a8d90fcd1b266b69ca58ed65b94b9babae870a796babac9608eeff8d0d66dba8ffe98d039a5edafa2b254adaafcb6ca7db3efae99b266aa9ba9d3f35e81bdaea4e55cfbbca4d2d1668386a3d6e1338994fe84dc53fbbb8fd1c761a796a1d2f96e81899a8af65e9a8ba3d4b3398aa78285c95e839b81abb4258cf586a7d9749bb983b7cc37e2a3; token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiJjZHVfNTMyMDcwNzg0NjAiLCJleHBpcmUiOiIxNjcxNzY1NzQ3NjczIn0.50e-ROweqV0uSd3-Og9L7eY5sAemPZOK_hRhmAzsQUk; Hm_lpvt_03b2668f8e8699e91d479d62bc7630f1=1669173865'
}
    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)

六、发送post请求

import requests

data = {
    'username': '616564099@qq.com',
    'password': 'lqz123',
    'captcha': 'asxz',
    '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  RequestsCookieJar：当成字典

# 访问首页，携带cookie，答应的是True
# res2 = requests.get('http://www.aa7a.cn/', cookies=res.cookies)
# 不携带cookies，打印的事False
res2 = requests.get('http://www.aa7a.cn/')
print('616564099@qq.com' in res2.text)

post请求携带数据,data={},json={}

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

import requests
session = requests.session()
data = {
    'username': '616564099@qq.com',
    'password': 'lqz123',
    'captcha': 'asxz',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}
res = session.post('http://www.aa7a.cn/user.php', data=data)
res2 = requests.get('http://www.aa7a.cn/')
print('616564099@qq.com' in res2.text)

七、响应Response

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

八、获取二进制数据

import requests

res = requests.get('http://img.netbian.com/file/2022/0930/235928BIh9e.jpg')
with open('mn.jpg', 'wb') as f:
    f.write(res.content)

image

import requests

res = requests.get('https://vd4.bdstatic.com/mda-kg5p9zp3eeax6x9z/v1-cae/sc/mda-kg5p9zp3eeax6x9z.mp4?v_from_s=hkapp-haokan-nanjing&auth_key=1669205146-0-0-30f7bf8e0677d272940a15a81260646a&bcevod_channel=searchbox_feed&pd=1&cd=0&pt=3&logid=2146174762&vid=10030578959322095978&abtest=&klogid=2146174762')
with open('mn.mp4', 'wb') as f:
    for line in res.iter_content():
        f.write(line)

image

九、解析json，直接.json就可以了

# 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()))
posted @   张张张张冉  阅读(82)  评论(0)  编辑  收藏  举报
相关博文：
· 学习爬虫day02
· 爬虫初阶requests模块的使用
· 爬虫学习-01
· 【2022.11.23】爬虫基础（1）
· 爬虫从入门到入狱(一)
阅读排行：
· 震惊！C++程序真的从main开始吗？99%的程序员都答错了
· 别再用vector＜bool＞了！Google高级工程师：这可能是STL最大的设计失误
· 单元测试从入门到精通
· 【硬核科普】Trae如何「偷看」你的代码？零基础破解AI编程运行原理
· 上周热点回顾（3.3-3.9）
点击右上角即可分享
微信分享提示