day19爬虫01
一.Spider_01
"""
1.数据库。
2.爬虫。
3.其他平台(API)。
"""
"""
爬虫,别名(网页蜘蛛、蠕虫),学名:网络数据采集。
根据程序员的自定义规则(想法)在互联网中自动的爬取数据(图片、音频、视频、文字等都叫做数据)。
"""
"""
1.爬虫对谁做操作?
表面:爬虫对网页做操作。
深层次:爬虫对服务器做操作。
2.对网页操作
我们需要有HTML、CSS、JavaScript的知识,需要理解某个页面的结构。
浏览器页面F12或者FN + F12或者右键检查或者浏览器设置都可以打开开发人员工具。
网页还分为静态页面和动态页面。
3.使用三方模块:requests向目标网站的服务器发起请求,服务器根据请求返回响应结果response(对象),
对response响应结果处理完得到的是字符串(HTML页面源代码)。
4.从页面源代码中得到所需内容。
方法一:正则表达式匹配。
方法二:三方模块Beautifulsoup4对页面源码进行解析,解析完使用CSS选择器拿到所需内容。
方法三:使用三方模块lxml对页面源码解析,使用XPath语法拿到所需内容。
方法四:三方模块Selenium访问页面,拿到页面内容,可以同时结合CSS选择器或者XPath语句拿到所需内容。
5.数据持久化
将RAM中的结果存储到磁盘或者数据库中。
6.写爬虫会遇到各种反爬机制,使用指定的反反爬措施破解。
a.将爬虫伪装浏览器。
b.封禁IP地址的网站一般使用代理IP:站大爷、芝麻代理、极光代理等。
c.文字反扒。
d.AJAX异步加载。
等。。。。
7.rpa(机器人流程自动化):八爪鱼、影刀等。使用拖拉拽(实现了某些功能的模块)的形式实现流程自动化(爬虫等)。
"""
二.Spider_02
"""
1.静态页面:
网页一旦生成,里面的内容不会自动的发生变化。
页面中包含:html(展示页面内容)、css样式(渲染html)、javascript(渲染html)
2.动态页面:
网页生成后,页面内容还会自动发生变化。页面内容和数据库进行联通,数据库中变,页面就变。
一般动态页面都会应用AJXA异步加载。
"""
"""
1.HTTP协议(超文本传输协议),Web服务器和客户端之间进行数据传输都是明文形式。
2.网景公司-->谋智-->火狐浏览器。网景公司根据HTTP协议做了改进-->HTTPS。
https = http + ssl。
SSL加密协议-->将Web服务器和客户端的数据进行加密。
"""
"""
1.作用:将用户的账号密码使用某些形式保存在本地。
2.性质:有时效性。
3.在爬虫中cookie作用:将本地的请求和远程的服务器中保存的账号密码做对比。
"""
"""
1.GET:requests利用GET请求方式向服务器发送需求(加密机制很简单甚至不加密)。
2.POST:向服务器发送内容,例如账号密码(某个网站注册登录账号密码)
三.模块安装
"""
如果Terminal中显示的ps,安装三方模块会直接安装到本机主环境。
使用venv\Scripts\activate激活虚拟环境。
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
修改微软的powershell策略组。
"""
"""
Windwos:
pip install requests
Mac、linux:
pip3 install requests
"""
import requests
四.requests的使用
import requests
URL = 'http://www.baidu.com/'
resp = requests.get(url=URL)
print(resp.status_code)
print(resp.cookies)
resp.encoding = 'utf-8'
print(resp.text)
五.爬虫伪装
import requests
URL = 'https://www.baidu.com/'
Headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
}
resp = requests.get(url=URL, headers=Headers)
if resp.status_code == 200:
resp.encoding = 'utf-8'
print(resp.text)
else:
print(resp.status_code)
六.requests请求王者荣耀
import requests
URL = 'https://pvp.qq.com/web201605/herolist.shtml'
Headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
}
resp = requests.get(url=URL, headers=Headers)
if resp.status_code == 200:
resp.encoding = 'gbk'
print(resp.text)
else:
print(resp.status_code)
def requests_url(href):
Headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
}
resp = requests.get(url=href, headers=Headers)
if resp.status_code == 200:
return resp
else:
return resp.status_code
URL = 'https://pvp.qq.com/web201605/herolist.shtml'
result1 = requests_url(URL)
result1.encoding = 'gbk'
print(result1.text)
七.天行数据
import requests
import json
content = input('请输入一个垃圾:')
URL = f'http://api.tianapi.com/lajifenlei/index?key=70fc43dfda9dc06c4da4aa6dcac916d3&word={content}'
resp = requests.get(url=URL)
print(resp.text, type(resp.text))
data = json.loads(resp.text)
print(data, type(data))
for i in data['newslist']:
print(i['explain'])
八.图片读取与下载
with open('1.jpg', 'rb') as f1:
result = f1.read()
with open('2.jpg', 'wb') as f2:
f2.write(result)
import requests
URL = 'https://www.baidu.com/img/PCtm_d9c8750bed0b3c7d089fa7d55720d6cf.png'
resp = requests.get(url=URL)
print(resp.content)
with open('baidu.png','wb') as f3:
f3.write(resp.content)
作业
import requests
import json
for x in range(20):
URL = 'https://api.ixiaowai.cn/api/api.php?return=json'
resp = requests.get(url=URL)
resp.encoding = 'utf-8-sig'
result = json.loads(resp.text)
URL = result['imgurl']
resp = requests.get(url=URL)
with open(f'{x}.jpg', 'wb') as f:
f.write(resp.content)