Day03

今日内容：
一爬虫原理
二 Requests请求库

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'
                }

四爬取豆瓣电影
    .: 从当前位置开始
    *: 查找所有
    ?: 找到第一个不找

.*?: 非贪婪匹配
.*: 贪婪匹配

(.*?): 提取括号内的数据

    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
    <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>

<div class="item">
<div class="pic">
    <em class="">226</em>
    <a href="https://movie.douban.com/subject/1300374/">
        <img width="100" alt="绿里奇迹" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p767586451.webp" class="">
    </a>
</div>
<div class="info">
    <div class="hd">
        <a href="https://movie.douban.com/subject/1300374/" class="">
            <span class="title">绿里奇迹</span>
                    <span class="title"> / The Green Mile</span>
                <span class="other"> / 绿色奇迹(台) / 绿色英里</span>
        </a>

            <span class="playable">[可播放]</span>
    </div>
    <div class="bd">
        <p class="">
            导演: Frank Darabont   主演: 汤姆·汉克斯 Tom Hanks / 大卫·摩斯 David M...<br>
            1999 / 美国 / 犯罪剧情奇幻悬疑
        </p>

            <p class="quote">
                <span class="inq">天使暂时离开。</span>
            </p>
    </div>
</div>
</div>


import requests
response = requests.get("https://video.pearvideo.com/mp4/adshort/20190625/cont-1570302-14057031_adpkg-ad_hd.mp4" )
print(response.content)
with open('视频.mp4','wb') as f:
    f.write(response.content)

1、先往梨视频主页发送请求
   http：//www.pearvideo.com/
   解析获取所有视频的id
   video_1575302
   re.findall()
2、获取视频详情页
   惊险！男子抢上地铁滑到，就脚进去了
   揭秘坎儿井
'''
import requests
import re #正则，用来解析文本数据
# 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('<a href="video_(.*?)"',response.text,re.S)
print(res_list)
#拼接每一个视频详情页url
for v_id in res_list:
    detail_url = 'https://www.pearvideo.com/video_' + v_id
    print(detail_url)
    #对每一个视频详情页发送请求获取数据 频源url
    response = requests.get(url=detail_url)
    print(response.text)
    #解析并提取视频详情页url
    video_url = re.findall('srcUrl="(.*?)"',response.text,re.S)[0]
    print(video_url)
    #视频名称
    video_name = re.findall('<h1 class="video-tt">(.*?)</h1>',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')

import requests
import re
def get_page(base_url):
    response = requests.get(base_url)
    return response
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>',
        response.text, re.S)
    return res
def save_data(data):
    with open('douban.txt','a',encoding='utf-8') as f:
        f.write(data)


if __name__ == '__main__':

   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，调用数据
       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
           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
           '''
           #保存数据
           print(movie_content)

公告