day03

公告

Posted on 2019-06-26 23:41 额呵呵阅读(104) 评论(0) 收藏举报

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)

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)

View Code

二 Requests请求库

1.安装与使用
- 打开cmd
- 输入: pip3 install requests

2.爬取视频

# 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)

View Code

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'
}

三. 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>

实现代码

# 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)

View Code

刷新页面返回顶部