Day 03

今日内容：
    一 爬虫原理
    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。

    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
            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

    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

            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。
            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

    (.*?): 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">
<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">&nbsp;/&nbsp;The Green Mile</span>
                <span class="other">&nbsp;/&nbsp;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&nbsp;&nbsp;&nbsp;主演: 汤姆·汉克斯 Tom Hanks / 大卫·摩斯 David M...<br>
            1999&nbsp;/&nbsp;美国&nbsp;/&nbsp;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>

''''''
import requests#导入requests请求库
reponse = requests.get(url='https://www.bilibili.com/')
reponse.encoding = 'utf-8'
print(reponse.text)
with open('bilibili.html','w',encoding='utf-8')as f:
    f.write(reponse.text)
'''
视频选项
'''
video_url = 'https://www.bilibili.com/video/av56807234?from=search&seid=6786251884373401790'
reponse = requests.get(url=video_url)
print(reponse.text)

reponse = requests.get('https://video.pearvideo.com/mp4/adshort/20190626/cont-1570382-14058101_adpkg-ad_hd.mp4')
print(reponse.content)
with open('视频.mp4','wb')as f:
    f.write(reponse.content)
获取详情页
import requests
# import re#解析文本数据
1、先往视频平台主页发送请求
reponse = requests.get('https://www.pearvideo.com/')
print(reponse.text)
res_list = re.findall('<a href="video_(.*?)"',reponse.text,re.S)
print(res_list)
for v_id in res_list:
    detail_url = 'https://www.pearvideo.com/video_' +v_id
    # print(detail_url)
reponse = requests.get(url=detail_url))
video_url = re.findall('srcUrl="(.*?)"',reponse.text,re.S)[0]
print(video_url)
video_name = re.findall('<h1 class="video-tt">(.*?)</h1>',reponse.text.re.S)[0]
print(video_name)
v_reponse = requests.get(video_url)
with open('%s.mp4'% video_name,'wb')as f:
    f.write(v_reponse.content)
    print(video_name,'视频爬取成功')
import requests
import re
def get_page(base_url):
    reponse = requests.get(base_url)
    return reponse
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>,reponse.text,re.S)
    return res
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'http://movie.douban.com/top250?start={num}&filter='
        num += 25
        print(base_url)
        reponse = get_page(base_url)
        movie_list = parse_index(reponse.text)
        for movie in movie_list:
            v_top,v_url,v_name,v_daoyan,v_point,v_num,v_desc = movie
            movie_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(movie_content)
            save_data(movie_content)

转载于:https://www.cnblogs.com/zxy32/p/11094233.html