day3总结（爬虫的相关知识）

'''
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，京东等商品
       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的服务信息   
    4.上网的全过程:
          一普通用户:
             打开浏览器一>往目标站点发送请求一>获取响应数据一>渲染到浏览器中
          -爬虫程序:
             模拟浏览器一>往目标站点发送请求一>获取响应数据一> 提取有价值的数据一>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

         一服务端
            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

            POST:
                需要携带用户信息往目标地址发送请求
                https://www.cnblogs.com/login
                {
                'user':'tank'
                '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:登陆用户真实信息（证明你是目标网站的用户）
            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>



'''


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(url='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

'''
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')

'''
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)