day01爬虫三部曲

一、爬虫的基本原理
    1.什么是爬虫
        爬虫就是爬取数据
    2、什么是互联网
        由一堆网络设备，把一台台计算机互联到一起称之为互联网
    3、互联网建立的目的
        数据的传递与数据共享
    4、什么是数据
        例如：
            电商平台的商品信息
            12306，票务信息
            12306，票务信息
    5、什么是上网
        普通用户：
            打开浏览器---->输入网址
            ----->往目标主机（服务器）发送请求
            ----->返回响应数据
            ----->把数据渲染到浏览器中
        爬虫程序：
            模拟浏览器
            -->往目标主机发送请求
            -->返回响应数据
            -->解析并提取有价值的数据
            -->保持数据（文件写入本地、持久化到数据库）
    6、爬虫的全过程：
        1.发送请求（请求库：Requests/Selenium）
        2.获取响应数据
        3.解析数据（解析库： BeautifulSoup4）
        4.保持数据(存储库：文件保存/MongoDB)
    总结：假如互联网中的数据比喻成一座宝藏，爬虫
        就是在挖去宝藏

二、Requests请求库
    1.安装与使用
        pip3 install requests
    2.分析请求流程：（模拟浏览器）
        百度：
            1.请求url
                www.baidu.com
            2.请求方式
                get
                post
            3.响应状态码

'''


一、请求rul
http://www.xiaohaur.com/v/
二、请求方式
    get
三、请求头信息
user-agent:用户代理
'''
import time
import requests
#爬虫三部曲
# 1.发送请求
def get_page(url):
    response=requests.get(url)
    return response

# 2.解析数据
import re
def parse_index(html):
    #findall 匹配所有
    #re.findall('正则匹配'，‘文本匹配’,'匹配模式')
    #re.S对全部文本进行搜索匹配
    # print(html)
    detail_urls=re.findall(
        '
        html,re.S)
    # print(detail_urls)
    # for detail_url in detail_urls:
    #     print(detail_url)
    return detail_urls

#解析详情页
def parse_detail(html):
    movie_url=re.findall('',html,re.S)
    #print(movie_url)
    if movie_url:
        return movie_url[0]
# 3.保存数据
import uuid
#uuid.uuid4()根据时间戳生成一段世界上唯一的字符串
def save_video(content):
    with open(f'{uuid.uuid4()}.mp4','wb')as f:
        f.write(content)
        print('视频下载完毕')
#  main+回车键
#测试实例
if __name__ == '__main__':
    for line in range(6):
        url=f'http://www.xiaohuar.com/list-3-{line}.html'
        #发送请求
        response=requests.get(url)
        # print(response)
        # 返回响应状态码
        # print(response.status_code)

        #返回响应文本
        # print(response.text)

        #解析主页页面
        detail_urls=parse_index(response.text)
        # print(detail_urls)

        #循环遍历详情页
        for detail_url in detail_urls:
            # print(detail_url)
            #往每一个详情页发送请求
            detail_res=get_page(detail_url)
            # print(response.text)

            #解析详情页获取视频url
            movie_url=parse_detail(detail_res.text)

            #判断视频url存在则打印
            if movie_url:
                print(movie_url)

                #往视频url发送请求获取视频二进制流
                movie_res=get_page(movie_url)

                #把视频的二进制流传给save_video函数保存到本地
                save_video(movie_res.content)

'''
post 请求自动登录github:
    请求URL：
        https://github.com/session
    请求方式：
        post
    请求头：
        cookie
        user-agent:
    请求体：

'''
# 1.获取token随机字符串
'''
请求URL：
        https://github.com/login
    请求方式：
        get
    请求头：
        cookie
        user-agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) 
        AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36
2.解析并提取token字符串
#正则
'''
import requests
import re

login_url = 'https://github.com/login'
# login页面的请求头信息
login_header = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
}
login_res = requests.get(url=login_url, headers=login_header)
# print(login_res.text)

# 解析提取token字符串
authenticity_token = re.findall(
    '',
    login_res.text,
    re.S
)[0]
print(authenticity_token)

#获取login页面的cookies信息
#print(type(login.res.cookies))
# print(type(login_res.cookies.get_dict()))
login_cookies=login_res.cookies.get_dict()

# 2.开始登录
'''
post请求自动登录github
请求URL：
        https://github.com/session
    请求方式：
        post
    请求头：
        cookie
        user-agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) 
        AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36
    请求体：
        "commit": "Sign in",
        "utf8": "✓",
        "authenticity_token": authenticity_token,
        "login": "sdfasdf",
        "password": "13165465435",
        "webauthn-support": "supported"
'''
# session登陆url
session_url = 'https://github.com/session'

# 请求头信息
session_headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)              Chrome/74.0.3729.131 Safari/537.36'
}

# 请求体信息
from_data = {
        "commit": "Sign in",
        "utf8": "✓",
        "authenticity_token": authenticity_token,
        "login": "sdfasdf",
        "password": "13165465435",
        "webauthn-support": "supported"
}
session_res=requests.post(url=session_url,
                          headers=login_header,
                          cookies=login_cookies,
                          data=from_data)
with open('github3.html','w',encoding='utf-8')as f:
    f.write(session_res.text)

转载于:https://www.cnblogs.com/2328322824chx/p/11113992.html