day03

　　今天主要学了爬虫技术，爬取mp4格式，爬取豆瓣电影。
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？
        例如各个app中的数据，商品信息，投资信息，房源信息。
    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)
 二、Requests请求库
     1、安装与使用
            -打开cmd
            -输入：pip3 intall requests

            在pycharm->File->Settings->Project:->Project Interpreter->+ ->requests->Install Package
            出现Package 'requests' installed successfully
      2、实例：
            1)浏览器
                import requests #导入requests请求库

                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)
                在代码库中出现baidu.html,可打开浏览器
            2）视频
                a、 获取单个梨视频进行下载

import requests #导入requests请求库

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mp4格式：-->右侧空白处，-->检查-->点击MP4格式
                b、 获取梨视频的清单
                    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_1570107

                        re.findall()
                     获取视频详情页url
                     视频1：https://www.pearvideo.com/video_1570107
                     视频2：https://www.pearvideo.com/video_1570302
                    实例：

import requests
import re  # 正则，用于解析文本文档

# 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)
    response = requests.get(url=detail_url)

    # 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, 'ok')

 三、抓包分析
    打开浏览器的开发模式（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
          POST Data
          {
            'user':'xiaomabaoli',
            'pwd':'123'
          }
 四、爬取豆瓣电影

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
#打开浏览器的开发模式（检查）--->找取各个电影的相关代码
#各个视频的代码有重复的部分，重复的部分利用正则的相关内容进行编写
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
#把数据存放在douban.txt中
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)

            正则表达式是一个特殊的字符序列，用来判断一个字符串与我们所设定的字符序列是否相匹配。
            re.findall
                在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。
                函数语法： findall(string[, pos[, endpos]])
                参数： string 待匹配的字符串。
                pos 可选参数，指定字符串的起始位置，默认为 0。
                endpos 可选参数，指定字符串的结束位置，默认为字符串的长度。