day03 pathon-爬虫基础

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：
http://www.jd.com/
www.jd.com(京东域名) ->DNS解析 -> 京东服务器的 IP 和端口
http + ssl://www.jd.com/
客户端的 IP和端口 ----> 服务器的 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
2）请求方式
GET：
直接发送请求获取数据
https://www.cnblogs.com/kermitjam/p/10863913.html
POST：
需要携带用户信息发送到目标地址
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’
}

import requests
# video_url = 'https://www.pearvideo.com/video_1568499 '
# response = requests.get(url=video_url)
# print(response.text)
#往食品地源址发送请求
response = requests.get(url='https://video.pearvideo.com/mp4/adshort/20190625/cont-1570334-14057411_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)

'''
爬虫所有视频
1、先往梨视频发送请求
    https://www.pearvideo.com/
    解析获取所有视频的id:
    video_1570107

2、获取视频详情页url
    https://www.pearvideo.com/video_1570107
    https://www.pearvideo.com/video_1568499
'''
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的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')

4、获取豆瓣电影
.：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">.*?(.*?)
.*?<a href="(.*?)">.*?(.*?)
.*?导演:(.*?).*?(.*?)
.*?(.*?)人评价.*?(.*?)

''''''
'''
https://movie.douban.com/top250
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.text','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)

posted @ 2019-06-26 18:00 w三思阅读(393) 评论(0) 收藏举报

刷新页面返回顶部

w三思

day03 pathon-爬虫基础

公告