爬虫基本原理

一、爬虫的原理

爬虫是什么？把互联网上的数据，抓取下来，存到自己的本地。

以百度为例，爬取一个个的网页，存到自己库中，当我们搜索的时候，去百度的数据库中搜索，显示在前端，点击某个页面，直接跳转到真正的地址。

基本原理：
发送http请求（requests）---->返回数据----->解析数据（数据清洗，bs4，re…）---->入库(文件，excel，mysql，redis，mongodb)

注：
爬取数据时，如果被禁止了，一定是你模拟的不像。

爬虫协议：
每个网站，都有爬虫协议，规定了哪些允许你爬，哪些不允许你爬（君子协议）
robots.txt---->只是一个协议

反爬：

• 验证码
• 封ip
• 封账号
• js逆向：js比较不错
• app爬取：加密
• app逆向：java，动态调试so文件---->汇编

爬虫所需工具：
请求库：requests,selenium
解析库：正则，beautifulsoup，pyquery
存储库：文件，MySQL，Mongodb，Redis

爬虫常用框架：
scrapy

二、请求库requests基本使用

模拟发送http请求（只要http请求有的东西，都可以使用requests发送出去）。
python内置的urllib2、urllib3，不太好用，用起来比较麻烦。

大神基于urllib3封装了requests，python界非常出名的第三方库，只能发送http请求，不能解析；
又封装了一个requets-html库，把request和解析库封装到一起了。

安装：pip3 install requests

1.基本使用

import requests

# res对象中会有，响应体，响应头，cookie。。。。
# 请求头中带User-Agent，是客户端类型
# 加入请求头
res = requests.get('https://dig.chouti.com/',headers={
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'
})
print(res.text) # 响应体，转成了字符串
with open('a.html','w',encoding='utf-8') as f:
    f.write(res.text)

# 另外一种使用
requests.request('post',cookies={})

2.带参数的GET请求

# 方式一：get请求参数，直接拼接在路径中
response = requests.get('https://www.baidu.com/s?wd=美女',
                        headers={
                            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
                        })
with open('baidu.html', 'w', encoding='utf-8') as f:
    f.write(response.text)

# 方式二：使用params参数
response = requests.get('https://www.baidu.com/s',
                        params={'wd': '帅哥'},
                        headers={
                            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
                        })
with open('baidu.html', 'w', encoding='utf-8') as f:
    f.write(response.text)

3.带参数的GET请求（headers）

import requests

# res对象中会有，响应体，响应头，cookie。。。。
# 请求头中带User-Agent，是客户端类型
# referer：上一次请求的地址,做图片防盗链
# cookie：cookie信息
# 加入请求头
header={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36',
    'referer':'https://www.lagou.com/wn/zhaopin'
}
res = requests.get('https://www.lagou.com/gongsi/',headers=header)
print(res.text) # 响应体，转成了字符串

referer：比如向这个图片地址发请求，会有referer，检测referer是不是这个网站的，不是则禁止。

4.带参数的GET请求（cookies）

# 方式一：带在请求头中
header={
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36',
    'cookie':'deviceId=web.eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiIwZmVlMjk5OS1iMDgzLTRmYzctOTM4MC03YjIzZmVmY2U5YmYiLCJleHBpcmUiOiIxNjIzOTA0ODk5MzM5In0.7cadtBYznS6OgnLwEF8aH0AmtDOoYB1WKDgdU4eYYS0; __snaker__id=VbChmBUEZIVY3FPa; _9755xjdesxxd_=32; YD00000980905869%3AWM_TID=%2FazmF9%2FrClJFEVFBVRN70z7msH6De39Y; Hm_lvt_03b2668f8e8699e91d479d62bc7630f1=1631674964,1634180671,1634183906; gdxidpyhxdE=SmmnuyrMOQB%2B9hzOlIaMPx0O9ZJbqWBllx7aa1OTmRwgGymo94mTYgZ0DrUWw7tfx8qIZmRt01BbIVX2jIc30jqSzPWznXpll6kBokS56266%2FmPg%2BC%5CvNV%2BJhO%5C9ln%2FQdskmo%2FH5A%2BLOADRDACtDp59%5CH51jexwMSIXSA9atTxuJDXOn%3A1634184810108; YD00000980905869%3AWM_NI=WlPwT2GigeoAGFNAH66LZluq3E87sk7E%2Bn6YtGANtE0G%2Bke2f0x6a1rG8kACozd%2FrWBXr3ne%2FBnps6fdDDeTm052UXP1VES3VxQISaL9zd91nvo%2FON%2FVuXS9INJSQYS%2FOG8%3D; YD00000980905869%3AWM_NIKE=9ca17ae2e6ffcda170e2e6ee97c96aadeda38de27286ef8bb3d45a828f8babae8095aea8d0b47e9191e186c42af0fea7c3b92a95b4a098d73a85b7a986ee4b859a82a2cb3ef694968df87bf19bf8d8f261f59be58fb553b8998faff74ff499e58ce83aa6f0b8d7e43bb299f88cc449ada6acd0f15d8288bed4ed6fed9ea291f23ea6bc8ca5e860aff0fbd3d85494ef9aa6d23996a89faad26b90e7b685bc3baeaaa1d0ce46ed8abbb9d2338b9286b4d45391f181a8bb37e2a3; token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiJjZHVfNTMyMDcwNzg0NjAiLCJleHBpcmUiOiIxNjM2Nzc1OTIyMTI2In0.o5-Y9-USxFog5sdo1WR1WORUzPkUD4fozEVA_f0WSHU; Hm_lpvt_03b2668f8e8699e91d479d62bc7630f1=1634183939'
}
# post请求，携带在请求体中的数据
res=requests.post('https://dig.chouti.com/link/vote',data={'linkId': '32667354'},headers=header)
#https://dig.chouti.com/link/cancel/vote
print(res.text)

# 方式二：直接以参数形式传入，cookie会经常用，而且一般是字典形式，提供了一个cookie参数
header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36',
}
# cookies需要是：Dict or CookieJar object
res = requests.post('https://dig.chouti.com/link/vote', data={'linkId': '32667354'}, headers=header,cookies={})
print(res.text)

5.POST请求

# 发送post请求，模拟浏览器的登录行为
header = {
    'Referer': 'http://www.aa7a.cn/user.php?&ref=http%3A%2F%2Fwww.aa7a.cn%2F',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'
}
res = requests.post('http://www.aa7a.cn/user.php', headers=header, data={
    'username': '[email protected]',
    'password': 'xxx',
    'captcha': 'fmd8',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login',
})

# 获取到cookie，登陆过后的cookie
cookie = res.cookies
print(cookie)  # CookieJar

res1 = requests.get('http://www.aa7a.cn/', headers=header, cookies=cookie)
# res1=requests.get('http://www.aa7a.cn/',headers=header)
print('[email protected]' in res1.text)

6.响应Response

import requests
respone=requests.get('http://www.360buy.com')
# respone属性
print(respone.text)   # body的内容转成str类型
print(respone.content) # body的二进制内容 （图片，视频）

print(respone.status_code) # 响应状态码
print(respone.headers)    # 响应头
print(respone.cookies)    # 把响应的cookie转成了cookiejar的对象
print(respone.cookies.get_dict()) # 把cookiejar的对象转成字典
print(respone.cookies.items()) # key和value

print(respone.url)          # 请求的地址
print(respone.history)       # 请求历史，重定向，才有数据，列表

print(respone.encoding)   # 响应的编码格式

response.iter_content()  #循环它，如果是视频，一点一点保存

解析json（http请求返回的数据是json格式）：
res.text是json字符串，取值不好取，需要json.loads(res.text)转成字典，再取值
直接res.json()转成json后的字典形式

import requests

res = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword', data={
    'cname': '',
    'pid': '',
    'keyword': '上海',
    'pageIndex': 1,
    'pageSize': 10,
})

# print(res.text)
print(type(res.json()))

7.编码问题
url编码问题 把中文用url编码，把url编码解成中文

# https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3
from urllib import parse
# 把中文用url编码，
res=parse.quote('美女')
print(res)

# 把url编码解成中文
res=parse.unquote('%E7%BE%8E%E5%A5%B3')
print(res)

网站编码，不是utf-8，使用res.text默认用utf-8转，可能出乱码

import requests
res=requests.get('')
# res.encoding='GBK'
res.encoding=res.apparent_encoding
print(res.text)

8.获取二进制数据
视频、图片需要保存二进制

import requests
res=requests.get('https://img.lianzhixiu.com/uploads/allimg/202001/9999/a7b0199df8.jpg')

with open('致命诱惑2.png','wb') as f:
    # f.write(res.content)
    for line in res.iter_content(1024):
        f.write(line)

9.request.session的使用

import requests

session = requests.session()  # 可以帮咱们保持cookie，以后不用手动携带

header = {
    'Referer': 'http://www.aa7a.cn/user.php?&ref=http%3A%2F%2Fwww.aa7a.cn%2F',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'
}
res = session.post('http://www.aa7a.cn/user.php', headers=header, data={
    'username': '[email protected]',
    'password': 'xxx',
    'captcha': 'fmd8',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login',
})

# 获取到cookie，登陆过后的cookie
# cookie=res.cookies
# print(cookie)  # CookieJar

res1 = session.get('http://www.aa7a.cn/', headers=header)

print('[email protected]' in res1.text)

补充：
什么是正向代理，什么是反向代理？

• 正向代理，隐藏客户端
  软件

• 反向代理，隐藏服务器
  nginx 是一个反向代理服务器

正向代理---->买票的黄牛
反向代理---->租房的代理

总结：
1 爬虫介绍

• 模拟发送http请求---->获取到数据（html，json，图片，视频）---->数据清洗---->入库

2 请求库：requests模块

• 跟其他服务交互，使用requests模块
• postman：完全自己写，使用requests写

3 发送get请求

4 发送get请求，地址中带参数

• 直接拼在路径中
• params参数传入，字典
• url编码和解码：中文编成url的编码形式

5 发送get请求，携带请求头

• headers参数
• user-agent：客户端类型
• referer：上一个地址

6 发送请求，携带cookie
请求头
以参数形式携带

7 发送post请求

• 地址中带数据：params参数传入
• 请求头中带：headers
• 请求体中：data={},json={}

8 Respons对象属性，参数

• text：响应的body体，转成了字符串
• content：响应体的二进制（图片，视频）
• iter_content：图片，视频，循环保存
• 编码
• cookies：一旦登录成功，这个cookies就是认证后的cookies
• json() :把返回的json格式字符串直接转成字典形式

9 编码问题

10 request.session的使用