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、Requests请求库
1、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)

2、爬取视频:梨视频

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)

3、批量爬取视频

(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, '视频爬取完成')

三 爬取豆瓣电影(top250)

.: 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

爬取的数据:

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

’’’

主页面网址

https://movie.douban.com/top250?start=0&filter=

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)
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 = '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]
movie_concent = 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_concent) # 保存数据
save_data(movie_concent)

四、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/logi
 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':'monika',
       'pwd':'123'
    }

最新文章

  1. C# 6.0新特性---语法糖
  2. echo print() print_r() var_dump()的区别
  3. CF 213A Game(拓扑排序)
  4. hadoop之根据Rowkey从HBase中查询数据
  5. 微软BI 之SSIS 系列 - 利用 SSIS 模板快速开发 SSIS Package
  6. 将View兑换Bitmap
  7. JavaScript 的setAttribute兼容性解决
  8. hdu 3061 (最大权闭合图)
  9. C#正则表达式匹配任意字符
  10. 程序设计实践C++ 程序代写(QQ 928900200)
  11. linux处置服务Iptables
  12. UOJ#375. 【ZJOI2018】迷宫
  13. http连接基础类,负责底层的http通信
  14. WPF 初识
  15. SQL笔记之SELECT语句
  16. Errors running builder &#39;DeploymentBuilder&#39; on project
  17. 兄弟连Linux运维学习笔记
  18. C++ 容器之 list的使用
  19. js去除空格12种方法
  20. 【python】python2.x中的除法

热门文章

  1. Spring系列之新注解配置+Spring集成junit+注解注入
  2. Linux 命令: sed
  3. 刷题[GWCTF 2019]你的名字
  4. mysql load_file()
  5. GameObject的==的一个坑和一点GameObject的内部构造
  6. Centos-获取远程主机对应端口信息-telnet
  7. Centos-强制将内存中数据写入磁盘-sync
  8. sklearn训练模型的保存与加载
  9. 秒懂JVM的垃圾回收机制
  10. Rust之路(1)