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.上网的全过程:
一普通用户:
打开浏览器一>往目标站点发送请求一>获取响应数据一-> 渲染到浏览器中
-爬虫程序:
模拟浏览器一->往目标站点发送请求一>获取响应数据一>提取有价值的数据一> 持久化到数据中
4.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
一服务端
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 。
5.爬虫的全过程
发送请求
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

 

2.爬取视频

（1）获取所有视频的id和url

'''
1、先往梨视频主页发送请求
https://www.pearvideo.com/
    解析获取所有的视频id:
    video_
    re.findall()
    
2、获取视频详细页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
# 参数一： 正则匹配规则
# 参数二： 解析文本
# 参数三： 匹配模式
res_list = re.findall('<a href="video_(.*?)"',response.text,re.S)
print(res_list)

# 拼接每一个视频详细页url
for v_id in res_list:
    detail_url = 'https://www.pearvideo.com/video_' + v_id
    print(detail_url)

（2）爬取视频

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
# 参数一： 正则匹配规则
# 参数二： 解析文本
# 参数三： 匹配模式
res_list = re.findall('<a href="video_(.*?)"',response.text,re.S)
#print(res_list)

# 拼接每一个视频详细页url
for v_id in res_list:
    detail_url = 'https://www.pearvideo.com/video_' + v_id


    #对每一个视频详细页发送请求获取视频源url
    response = requests.get(url = detail_url)
    #print(response.text)

    #解析并提取详细页视频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')

 

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

POST:
需要携带用户信息往目标地址发送请求
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': 'YeZi' ,
'pwd': '123 '}

4.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>

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)
    # print(res)
    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 = f'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_director, v_point, v_num, v_desc = movie
            # v_top = movie(0)
            # v_url = movie(1)
            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_director}
           电影评分：{v_point}
           评价人数：{v_num}
           电影简介：{v_desc}
           \n
            '''

            print(movie_content)

            # 保存数据
            save_data(movie_content)