Python爬虫（Day02）

今日内容：
    一 requests请求库爬取豆瓣电影信息
        - 请求url
            https://movie.douban.com/top250

        - 请求方式
            GET

        -请求头
            user-agent
            cookies

    二 selenium请求库
        1、什么是selenium？
            起初是一个自动化检测工具，原理是驱动浏览器执行一些定好的操作。
            爬虫本质上就是模拟浏览器，所以可以使用它来做爬虫。

        2、为什么要使用selenium？
            优点：
                - 执行js代码
                - 不需要分析复杂的通信流程
                - 对浏览器做弹窗、下拉等操作
                - 获取动态数据
                - 破解登录验证

            缺点：
                - 执行效率低

        3、安装与使用
            1.安装selenium请求库：
                pip3 install  selenium

            2.必须安装浏览器
                谷歌或火狐

            3.下载chromed浏览器驱动:
                http://npm.taobao.org/mirrors/chromedriver/2.38/

 

例1：爬取豆瓣前250电影信息

'''
爬取豆瓣电影信息：
    电影排名、电影名称、电影url、电影导演
    电影主演、电影年份、电影类型、电影评分
    电影评论、电影简介
    
1、分析所有主页的url
第一页：
https://movie.douban.com/top250?start=0&filter=
第二页
https://movie.douban.com/top250?start=25&filter=
第三页
https://movie.douban.com/top250?start=50&filter=
'''
import requests
import  re
# 爬虫三部曲

# 1、发送请求
def get_page(url):
    response = requests.get(url)
    # print(response.text)
    return response

# 2、解析数据
def parse_index(html):
    ''''''
    '''
    电影排名、电影url、电影名称、电影导演、电影主演
    电影年份/电影类型、电影评分、电影评论、电影简介
    
.*?(.*?).*?
    .*?(.*?).*?导演：(.*?)主演：(.*?）
(.*?)

    .*?(.*?).*?(.*?)人评价
    .*?(.*?)
    
    
.*?(.*?).*?.*?(.*?).*?导演：(.*?)主演：(.*?）
(.*?)
.*?(.*?).*?(.*?)人评价.*?(.*?)
    '''
    movie_list = re.findall('
.*?(.*?).*?.*?(.*?).*?导演: (.*?)主演: (.*?)
(.*?)
.*?(.*?).*?(.*?)人评价.*?(.*?)',html,re.S)
    return movie_list

# 3、保存数据
def save_data(movie):
    # 电影排名、电影url、电影名称、电影导演、电影主演
    # 电影年份 / 电影类型、电影评分、电影评论、电影简介
    top,m_url,name,daoyan,actor,year_type,point,commit,desc = movie
    year_type = year_type.strip('\n')
    data = f'''
                ===============欢迎观赏=============
                            电影排名:{top}
                            电影url:{m_url}
                            电影名称:{name}
                            电影导演:{daoyan}
                            电影主演:{actor}
                            年份类型:{year_type}
                            电影评分:{point}
                            电影评论:{commit}
                            电影简介:{desc}
                ===============此片结束=============
                \n
                \n
    '''
    print(data)

    with open('doubanTop250.txt', 'a', encoding = 'utf-8') as f:
        f.write(data)
    print(f'电影：{name}写入成功。。。')
if __name__ == '__main__':
    #拼接所有主页
    num = 0
    for line in range(10):
        url = f'https://movie.douban.com/top250?start={num}&filter='
        num += 25
        print(url)

        # 1、往每个主页发送请求
        index_res = get_page(url)

        # 2、解析主页获取电影信息
        movie_list = parse_index(index_res.text)

        for movie in movie_list:
            # print(movie)

            # 3、保存数据
            save_data(movie)

 

例2：京东自动搜索商品

from selenium import webdriver  # 用来驱动浏览器的
from selenium.webdriver.common.by import By    #按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC  # 和下面WebDriverWait一起用的
from selenium.webdriver.support.wait import WebDriverWait  # 等待页面加载某些元素
import time

# 方式一：通过驱动打开浏览器
driver = webdriver.Chrome(r'C:\Users\Enz\Desktop\chromedriver.exe')

# 方式二：把webdriver.exe驱动放到Python解释器安装目录/Scripts文件夹中
# python解释器安装目录/Scripts配置环境变量
# python解释器安装目录 配置环境变量
try:
    driver.get('https://www.jd.com/')

    # 获取显示等待对象10秒
    # 可以等待某个标签加载10秒
    wait = WebDriverWait(driver, 10)

    # 查找元素id为key
    input_tag = wait.until(EC.presence_of_element_located((By.ID,'key')))

    time.sleep(5)

    # 在输入框内输入商品名称
    input_tag.send_keys('公仔')

    # 按下键盘回车键
    input_tag.send_keys(Keys.ENTER)

    time.sleep(20)
finally:
    # 关闭浏览器释放操作系统资源
    driver.close()

例3：百度自动登录

''''''
from selenium import webdriver  # web驱动
from selenium.webdriver.common.keys import Keys  # 键盘按键操作
import time

import time

driver = webdriver.Chrome()

try:

    # 隐式等待: 需要在get之前调用
    # 等待任意元素加载10秒
    driver.implicitly_wait(10)

    driver.get('https://www.baidu.com/')

    # 显式等待: 需要在get之后调用
    time.sleep(5)

    '''
    ===============所有方法===================
        element是查找一个标签
        elements是查找所有标签
    '''
    # 自动登录百度 start
    # 1、find_element_by_link_text # 通过链接文本去找
    login_link = driver.find_element_by_link_text('登录')
    login_link.click()  # 点击登录

    time.sleep(1)

    # 2、find_element_by_id # 通过id去找
    user_login = driver.find_element_by_id('TANGRAM__PSP_10__footerULoginBtn')
    user_login.click()

    time.sleep(1)

    # 3、find_element_by_class_name
    user = driver.find_element_by_class_name('pass-text-input-userName')
    user.send_keys('*****')

    # 4、find_element_by_name
    pwd = driver.find_element_by_name('password')
    pwd.send_keys('*****')

    submit = driver.find_element_by_id('TANGRAM__PSP_10__submit')
    submit.click()
    # end

    # 5、find_element_by_partial_link_text
    # 局部链接文本查找
    login_link = driver.find_element_by_partial_link_text('登')
    login_link.click()

    # 6、find_element_by_css_selector
    # 根据属性选择器查找元素
    # .: class
    # #: id
    login2_link = driver.find_element_by_css_selector('.tang-pass-footerBarULogin')
    login2_link.click()

    # 7、find_element_by_tag_name
    div = driver.find_elements_by_tag_name('div')
    print(div)


    time.sleep(20)

finally:
    # 关闭浏览器释放操作系统资源
    driver.close()