一 爬虫原理
二 Requests请求库
二 Requests请求库
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。
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...
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
- 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
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
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 install requests
- 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(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
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
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
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)
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'
}
POST请求才会有请求体。
Form Data
{
'user': 'tank',
'pwd': '123'
}
四 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
.*: 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">.*?<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>
<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>
<div class="star">
<span class="rating45-t"></span>
<span class="rating_num" property="v:average">8.7</span>
<span property="v:best" content="10.0"></span>
<span>141370人评价</span>
</div>
<p class="quote">
<span class="inq">天使暂时离开。</span>
</p>
</div>
</div>
</div>
<span class="inq">天使暂时离开。</span>
</p>
</div>
</div>
</div>