day03 爬虫基础

工程实训day03

了解python基础语法后，着手网络爬虫的学习。

一、爬虫原理

1.什么是互联网？
    互联网其实是由一堆网络设备（比如: 网线、路由器、交换机、防火墙等等...）与一台台的计算机连接而成，就像一张蜘蛛网一样。
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
3.什么是上网？
    上网其实指的是有用户端（客户端）的计算机向目标计算机发送请求，将目标计算机的数据下载到客户端计算机的过程。
    普通用户获取数据的方式：
         打开浏览器武器--->浏览器提交请求--->下载页面代码--->解析/渲染成页面。
    爬虫程序获取数据的方式：
         模拟浏览器发送请求--->下载页面代码--->只提取有用的数据--->存放于数据库中或文件中。
4.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。
5.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..…）

import requests  # 导入requests请求库
# 往百度主页为例发送请求，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
with open('baidu.html', 'w', encoding='utf-8') as f:
    f.write(response.text)

video_url = 'https://www.bilibili.com/video/av22966925'
response = requests.get(url=video_url)
print(response.text)

# 往原视频发送地址
response = requests.get("http://www.iqiyi.com/1db43bdb-4fe6-4a81-bc1d-7ff76a7bf06f")   # 目标url，此处为随意设置的
# 打印二进制流，比如图片、视频等数据
print(response.content)
# 保存视频到本地
with open('曾经我也想一了百了.mp4','wb') as f:   # 欲保存的视频名，此处为随意设置
    f.write(response.content)

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
找到访问页面的后缀 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/p/10836363.html
        POST：
            需要携带用户信息往目标地址发送请求
            https://www.cnblogs.com//login
            {
            'user': 'wang',
            'pwd': '123'
            }
    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'
        }

 

# 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('<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)

得到相应输出结果：

三、爬取豆瓣电影

.：从当前位置开始
*：查找所有
?：找到第一个就不找了（非贪婪匹配）

.*?：非贪婪匹配
.*:：贪婪匹配
(.*?)：提取括号内的数据
根据豆瓣top250的原网页代码，可抠出：

电影排名：<div class="item">.*?<em class="">(.*?)</em>
电影url：.*?<a href="(.*?)">
电影名称：.*?<span class="title">(.*?)</span>
导演主演：.*?导演: (.*?)</p>
电影评分：.*?<span class="rating_num".*?>(.*?)</span>
评价人数：.*?<span>(.*?)人评价</span>
电影评价：.*?<span class="inq">(.*?)</span>
<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>

对应可抓取top250的电影信息：

# 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)
    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 = f'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、评分、评价
            v_top, v_url, v_title, v_director, v_point, v_num, v_eval = movie
            # v_top = movie[0]
            # v_title = movie[1]
            movie_content = f'''
            电影排名：{v_top}
            电影url： {v_url}
            电影名称：{v_title}
            导演主演：{v_director}
            电影评分：{v_point}
            评价人数：{v_num}
            电影评价：{v_eval} 
            \n
            '''
            print(movie_content)
            # 保存数据
            save_data(movie_content)

得到的douban.txt文件：

这一天是网络爬虫原理和操作的基础学习，理解起来不难，操作也较为简单，期待后期有更加有趣的课程教学。