实训day03 爬虫
一、爬虫原理
1、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
2、互联网建立的目的：是为了数据的传递以及数据的共享
3、上网的全过程：1）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
2）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
4、浏览器发送的请求：http协议的请求
1）客户端：浏览器是一个软件->客户端的IP和端口
2）服务器：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和端口发送请求而已建立链接获取相应数据
5、爬虫的全过程
1）发送请求(需要请求库：Requests请求库、Selenium请求库)
2）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）
3）解析并提取数据（需要解析库：re、BeautifulSoup4、Xpath...）
4）保存到本地（文件处理、数据库、MongoDB存储库）
二、Requests请求库
1、安装使用
2、爬取视频
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
print(response.content)
#保存视频到本地
with open('视频.mp4','wb') as f:
f.write(response.content)
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')
3、抓包分析：打开浏览器的开发者模式---->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：需要携带用户信息发送到目标地址
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
{
'user': 'lml'
'pwd': '123'
}
四、爬取豆瓣电影
.：从当前位置开始
*：查找所有
？：找到第一个不着
.*？：非贪婪匹配
.*：贪婪匹配
(.*?)：提取括号内的数据
#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)
# 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]
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
'''
print(movie_content)
#保存数据
save_data(movie_content)
'''
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 claas>=""(.*?)</em>.*?<a href="(.*?)">.*?<span class="title">(.*?)</span>.*?导演:(.*?)</p>.*?<span class="rating_num".*?>(.*?)</span>.*?<span>(.*?)人评价</span>.*?<span class="inq">(.*?)<span>')
#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)
浙公网安备 33010602011771号