实训day03 爬虫

一、爬虫原理

  1、互联网指的是由一堆网络设备，把一台台的计算机互联网到一起

  2、互联网建立的目的：是为了数据的传递以及数据的共享

  3、上网的全过程：1）普通用户：打开浏览器->往目标站点发送请求->获取响应数据->渲染到浏览器中

                                 2）爬虫程序：模拟浏览器->往目标站点发送请求->获取响应数据->提取有价值的数据->持久化到数据中

  4、浏览器发送的请求：http协议的请求

       1）客户端：浏览器是一个软件->客户端的IP和端口

       2）服务器：https：//www.jd.com/

                           www.jd.com（京东域名）->DNS解析->京东服务端的IP和端口

        客户端的ip和端口------>服务端的IP和端口发送请求而已建立链接获取相应数据

  5、爬虫的全过程

  1）发送请求(需要请求库：Requests请求库、Selenium请求库)

  2）获取响应数据（只要往服务器发送请求，请求通过后会返回响应数据）

  3）解析并提取数据（需要解析库：re、BeautifulSoup4、Xpath...）

  4）保存到本地（文件处理、数据库、MongoDB存储库）

二、Requests请求库

  1、安装使用

  2、爬取视频

import requests
#导入requests请求库

#往百度主页发送请求，获取响应对象
response = requests.get(url='https://www.baidu.com/')
#设置字符编码为 utf-8
response.encoding = 'utf-8'
#打印响应文本
print(response.text)
#把响应文本写入本地
with open('baidu.html','w',encoding='utf-8') as f:
    f.write(response.text)

'''
视频选项：
    1、梨视频
'''
import requests
#往视频源地址发送请求
response = requests.get('https://video.pearvideo.com/mp4/adshort/20190625/cont-1570302-14057031_adpkg-ad_hd.mp4')
#打印二进制流
print(response.content)
#保存视频到本地
with open('视频.mp4','wb') as f:
    f.write(response.content)

　　

获取所有视频的id
         video_1570302
         re_findall()
2、获取视频详情页url
    惊险！男子抢上地铁滑倒，就脚进去了
    https://www.pearvideo.com/video_1570302
    揭秘坎儿井
    https://www.pearvideo.com/video_1570107
'''
import requests
import re  #正则，用于解析文本数据
#1、先往梨视频主页发送请求
response = requests.get('https://www.pearvideo.com/')
#print(response.text)

#re正则匹配获取所有视频id
#参数1：正则匹配规则
#参数2：解析文本
#参数3：匹配模式
res_list = re.findall('(.*?)',response.text,re.S)[0]
    print(video_name)

    #往视频url发送请求获取视频二进制流
    v_response = requests.get(video_url)
    with open('%s.mp4' % video_name, 'wb') as f:
        f.write(v_response.content)
        print(video_name,'视频爬取完成')

  3、抓包分析：打开浏览器的开发者模式---->选中network，找到访问的页面后缀xxx.html（响应文本）

  1）请求url（访问的网站地址）

  2）请求方式：GET：直接发送请求获取数据

                           https://www.cnblogs.com/kermitjam/articles/9692597.html

                          POST：需要携带用户信息发送到目标地址

                          https://www.cnblogs.com/login

   3)响应状态码

      2xx：成功

      3xx：重定向

      4xx：找不到资源

      5xx：服务器错误

  4）请求头信息：User-Agent：用户代理（证明是通过电脑设备及浏览器发送的请求）

                             Cookies：登录用户真实信息（证明你是目标网站的用户）

                              Referer：上一次访问的url（证明你是从目标网站跳转过来的）

  5）请求体：POST请求才会有请求体

{
'user': 'lml'
'pwd': '123'
}

 四、爬取豆瓣电影

  .：从当前位置开始

  *：查找所有

  ？：找到第一个不着

 

  .*？：非贪婪匹配

  .*：贪婪匹配

  (.*?)：提取括号内的数据

#main + 回车键
if _name_ == '_main_':
    #num=10
    #base_url = 'https://movie.douban.com/top250?start={}&filter='.format(num)
    num = 0
    for line in range(10):
        base_url = f'https://movie.douban.com/top250?start={num}&filter='
        num +=25
        print(base_url)

        #1、发送请求，调用函数
        response = get_page(base_url)
        #2、解析文本
        movie_list = parse_index(response.text)
        #3、保存数据
        #数据的格式化
        for movie in movie_list:
            # print(movie)
            # 电影排名、电影url、电影名称、导演-主演-类型、电影评分、评价人数、电影简介
            v_top,v_url,v_name,v_daoyan,v_point,v_num,v_desc = movie
            #v_top = movie[0]
            #v_url = movie[1]
            movie_content = f'''
            电影排名：{v_top}
            电影url：{v_url}
            电影名称：{v_name}
            导演主演：{v_daoyan}
            电影评分：{v_point}
            评价人数：{v_num}
            电影简介：{v_desc}
            \n
            '''
            print(movie_content)
            #保存数据
            save_data(movie_content)
'''
1、发送请求
2、解析数据
3、保存数据
'''

import requests
import re

#爬虫三部曲
#1、发送请求
def get_page(base_url):
    response = requests.get(base_url)
    return response
#2、解析文本
def parse_index(text):
    res = re.findall('
.*?=""(.*?).*?.*?(.*?).*?导演:(.*?)
.*?(.*?).*?(.*?)人评价.*?(.*?)')
    #print(res)
    return res
#3、保存数据
def save_data(data):
    with open('douban.txt','a',encoding='utf-8') as f:
        f.write(data)

　　

转载于:https://www.cnblogs.com/l1013257857/p/11090400.html