day3
爬虫原理
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
互联网建立的目的：为了数据的传递与共享，
什么是数据
例如淘宝，京东商品信息，智行里面的火车票信息
上网的过程：
普通用户：打开浏览器-往目标站点（站点既一个服务器）发送请求-获取相应数据-渲染到浏览器
爬虫原理：模拟浏览器-往目标站点发送请求-获取相应数据-提取有价值的数据-持久化到数据中
浏览器发送的是什么请求:
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
互联网建立的目的：为了数据的传递与共享，
什么是数据
例如淘宝，京东商品信息，智行里面的火车票信息
上网的过程：
普通用户：打开浏览器-往目标站点（站点既一个服务器）发送请求-获取相应数据-渲染到浏览器
爬虫原理：模拟浏览器-往目标站点发送请求-获取相应数据-提取有价值的数据-持久化到数据中
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/京东
www.jd.com（京东域名）-DMS解析-京东服务器的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
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/京东
www.jd.com（京东域名）-DMS解析-京东服务器的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
爬虫的全过程：
1.发送请求（需要请求库：requests请求库）
2.获取相应数据（只要往服务器发送请求，请求通过后会返回相应数据）
3.解析并提取数据（需要解析库：re、beautifuisound、xoath等）
4.保存到本地（文件处理、数据库、MonggoDB存储库）
1.发送请求（需要请求库：requests请求库）
2.获取相应数据（只要往服务器发送请求，请求通过后会返回相应数据）
3.解析并提取数据（需要解析库：re、beautifuisound、xoath等）
4.保存到本地（文件处理、数据库、MonggoDB存储库）
requests请求库
1.安装与使用
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html（相应文件）
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
kermitja
POST
需要携带用户信息往目标地址发送请求
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：登陆用户真实信息（证明你是该网站的用户）
referer:上一次访问的url
5)请求体：
POST请求才会有请求体
Form Data
{
‘user’：‘tank’，
‘pwd’：‘123’
}
1.安装与使用
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html（相应文件）
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
kermitja
POST
需要携带用户信息往目标地址发送请求
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：登陆用户真实信息（证明你是该网站的用户）
referer:上一次访问的url
5)请求体：
POST请求才会有请求体
Form Data
{
‘user’：‘tank’，
‘pwd’：‘123’
}
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
.* :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、评论人数、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'>.*?<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>
#requsst基本使用
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，比如图片、视频等数据
# print(response.content)
#
# # 保存视频到本地
# with open('视频.mp4', 'wb') as f:
# f.write(response.content)
'''
1、先往梨视频主页发送请求
https://www.pearvideo.com/
解析获取所有视频的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('<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视 频源url
response = requests.get(url=detail_url)
# print(response.text)
# 解析并提取详情页视频url
# 视频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')
''''''
'''
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)
浙公网安备 33010602011771号