day3 python爬虫入门

2022-08-08 14:00:50

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：

           -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、浏览器发送的是什么条件？

           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：

                 http://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       （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、MongoDBcu存储库）

二、Requests请求库

     1、安装与使用

            _ 打开cmd

            _输入：pip3  install  requests

    Requests请求库使用

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、抓取视频

         1）视频选项：抓取梨视频

import requests
#
# 往视频源地址发送请求
response = requests.get(         'https://video.pearvideo.com/mp4/adshort/20190625/cont-1570302-14057031_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('视频.mp4', 'wb') as f:
     f.write(response.content)

         2）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()
    获取视频详情页url:
        惊险!男子抢上地铁滑倒,就脚进去了
        https://www.pearvideo.com/video_1570302
        揭秘坎儿井
        https://www.pearvideo.com/video_1570107
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: 正则匹配规则
# 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)

# 拼接每一个视频详情页url
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')

     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'
                }

     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>

 

<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>

''''''
'''
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)
    # 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 = '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]
            moive_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(moive_content)

            # 保存数据
            save_data(moive_content)

 

 

 

上一篇：03 获取豆瓣电影top250


下一篇：为什么我喜欢 JavaScript 可选链[每日前端夜话0xD7]