day03 爬虫基础

一、爬虫原理
1.互联网：由一堆网络设备把一台台计算机互联到一起称之为互联网
2.互联网建立的目的：传递与共享数据
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）
- 获取相应数据（只要往服务器发送请求，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

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、爬取视频：梨视频

import requests
video_url = 'https://www.pearvideo.com/video_1570475'
response = requests.get(url=video_url)
print(response.text)
# 往视频源地址发送请求
response = requests.get('https://video.pearvideo.com/mp4/adshort/20190626/cont-1570475-14058832_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('video.mp4','wb')as f:
    f.write(response.content)

3、批量爬取视频

（1）.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()
（2）.获取视频详情页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1：正确匹配规则
# 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)
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')

三 爬取豆瓣电影（top250)

.: 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

爬取的数据：

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

’’’

主页面网址

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)
    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]
            movie_concent = 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_concent)

            # 保存数据
            save_data(movie_concent)

四、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/logi
 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（证明你是目标网站的用户）
 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':'monika',
       'pwd':'123'
    }