第三天 爬虫基础

一、爬虫原理
1.互联网：由一堆网络设备把一台台计算机互联到一起称之为互联网
2.互联网建立的目的：传递与共享数据
3.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
4.浏览器发送的请求
  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
5.爬虫的全过程
- 发送请求（需要请求库：Requests请求库、Selenium请求库）
- 获取相应数据（只要往服务器发送请求，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、爬取视频
Requests请求库的安装与使用
- 打开cmd
- 输入：pip3 install requests

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)

 

以梨视频为例

import requests
video_url = 'https://www.pearvideo.com/video_1570475'
response = requests.get(url=video_url)
print(response.text)

# 往视频源地址发送请求
response = requests.get('https://video.pearvideo.com/mp4/adshort/20190626/cont-1570475-14058832_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('video.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

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：正确匹配规则
# 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)

    # 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, 'success')

三、爬取豆瓣影评
.：从当前位置开始
*：查找所有
?：查找到第一个结果时停止
.*?：非贪婪匹配
.*：贪婪匹配
(.*?)：提取括号内的数据

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>',response.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)

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]
            movie_concent = f'''
            电影排名：{v_top}
            影评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_concent)

            # 保存数据
            save_data(movie_concent)

 

三、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':'tanl',
        'pwd':'123'
     }