python

Posted 2022-02-16 crookedif

一 爬虫原理

1.什么是互联网？ 指的是由一堆网络设备，把一台台的计算机互联网到一起称之为互联网。

2.互联网建立的目的？
互联网建立的目的是为了数据的传递以及数据的共享。

3.什么是数据？
例如淘宝、京东商品信息等...
东方财富、雪球网的一些证券投资信息...
链家、自如等房源信息....
12306的票务信息...

4.上网的全过程:
- 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

- 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

5.浏览器发送的是什么请求？
http协议的请求。

- 客户端:
浏览器是一个软件 --> 客户端的 IP 和 端口

- 服务端
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 发送请求可以建立链接获取相应数据。

6.爬虫的全过程
- 发送请求 （需要请求库: Requests请求库、Selenium请求库）
- 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）
- 解析并提取数据（需要解析库: re、BeautifulSoup4、Xpath...）
- 保存到本地 (文件处理、数据库、MongoDB存储库)

二 Requests请求库

1.安装与使用
- 打开cmd
- 输入: pip3 install requests

2.爬取视频

3.抓包分析
打开浏览器的开发者模式（检查）----> 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:
需要携带用户信息往目标地址发送请求
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。
Form Data

‘user‘: ‘tank‘,
‘pwd‘: ‘123‘

三 爬取梨视频

res_list=re.findall(‘<a href="video_(.*?)"‘,response.text,re.S)
#print(res_list)
for v_id in res_list:
    detail_url=‘https://www.pearvideo.com/video_‘+v_id
    print(detail_url)

    response=requests.get(url=detail_url)
    print(response.text)

    video_url=re.findall(‘srcUrl="(.*?)"‘,response.text,re.S)[0]
    print(video_url)

    video_name=re.findall(‘<h1 class="video-tt">(.*?)</h1>‘,response.text,re.S)[0]

    print(video_name)

    v_response = requests.get(video_url)

    with open(‘%s.mp4‘ % video_name,‘wb‘)as f:
        f.write(v_response.content)
        print(video_name,‘success!‘)

四 爬取豆瓣电影

‘‘‘‘‘‘
‘‘‘
https://movie.douban.com/top250?start=0&filter=
https://movie.douban.com/top250?start=25&filter=
https://movie.douban.com/top250?start=50&filter=

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(‘<div class="item">.*?<em class="">(.*?)</em>.*?<a href="(.*?)">.*?<span class="title">(.*?)</span>.*?导演:(.*?)</p>.*?<span class="rating_num".*?>(.*?)</span>.*?<span>(.*?)人评价</span>.*?<span class="inq">(.*?)</span>‘, text, re.S)
    # 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)

# 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)

            # 解压赋值
            # 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]
            moive_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(moive_content)

            # 保存数据
            save_data(moive_content)

总结：今天学习的爬虫原理让我大开眼界，了解了很多我没有见识过的领域，对于后面的学习也越发期待，跟随tank老师学习python。