【python爬虫】 request模块介绍 http协议版本区别 双token认证 携带cookie的两种方式 requests.session的使用 post请求携带数据编码格式 request.text编码问题 下载图片，视频

目录

• 上节回顾
• 今日内容
  • 1 爬虫介绍
  • 2 request模块介绍
  • 3 request发送get请求
  • 4 request携带参数
  • 5 url编码解码
  • 6 携带请求头
    • http协议版本之间的区别
  • 7 发送post请求,携带数据
    • 对于某接口发送post请求
    • 双token认证
  • 8 自动登录，携带cookie的两种方式
  • 9 requests.session的使用
  • 10 补充post请求携带数据编码格式
  • 11 响应Response对象
  • 12 编码问题
  • 13 下载图片，视频
• 练习

上节回顾

# 1 上线架构图

# 2 购买云服务器

# 3 远程链接云服务器
	-xshell
    -fianlshell

# 4 安装mysql
	-下载rpm包
    -安装
    -修改root用户密码

# 5 redis 源码
	-在不同平台编译
    -make  make install
    -做软连接：

# 6 python3.8
	-安装前置软件
    -下载源码包
    -解压

# 7 安装uwsgi

# 8 安装虚拟环境

# 9 安装Nginx
	1）启动
    >: nginx

    2）关闭nginx
    >: nginx -s stop

    3）重启nginx
    >: nginx -s reload

    4）查看端口，强行关闭
    >: ps -aux|grep nginx
    >: kill <pid:进程编号>

# 10 上线前端
	编译vue：npm run build---》dist文件夹下
    传到服务器：lrzsz
    解压zip ：unzip
    copy到  /home/html

    修改nginx配置文件，让它能够代理前端静态文件

# 11 后端上线
	-修改后的代码，提交到git上
	-云服务器：git clone下来
    	-logs文件必须要有

    -安装所有依赖：先装能装的
    -uwsgi上线：虚拟环境也要装
    -uwsgi配置文件

	-nginx 增加一个新增的server

# 12 数据库配置
	-创建数据库
    -新增用户
    -录入数据

# 13 处理前端静态资源
	STATIC_ROOT = ''
    python manage_prod.py collectstatic

    nginx代理

# 14 域名解析

# 开源项目赏析
	https://gitee.com/huap/projects

# 可以写的项目
	-1 考试系统
    	-学生端：
        	签到签退功能：人脸识别签到，迟到，忘记签到
            	-补签：老师审批
               	-日历
    		考试功能：
            	-每天早上：考试  10分钟  考昨天学过的内容
                -选择题，填空题，简单题---》选择和填空自动阅卷
                	-简单版 简单题老师打分
                    -高级版：提交后，同学匿名互相阅卷---》1
                    -自动阅卷：网上有自动阅卷的方法
                -考试分数高有积分功能
                -错题本

             刷题功能：
            	-面向对象，网络编程，生成一套试卷，刷题
            积分功能
            	-考试成绩高
                -积分兑换功能：学长简历，学长面试录音，学长笔试题带答案

        -老师端
        	-每个班同学签到情况：echars画图
        	-阅卷
            -修改分数

        -超级管理员端
        	-老师和学生管理
            -excel导入

    -2 有过其他工作经历
    	-之前使用过的系统，想一下实现
        -需求：仓储管理系统---》下午发给你们
        -海运管理系统
        -医院的管理系统
        -会籍管理，客户管理 ，游泳馆：crm 客户关系管理

    -3 开心幼儿园：app，幼儿园管理的app

    -4 小程序商城，商城app
    	-二手汽车商城
        -二手交易
    -5 自动化运维的
    	-psutils
        -paramiko：https://www.cnblogs.com/liuqingzheng/p/13642948.html
    -6 自动化测试

    -7 觉得哪个项目不错，仿写
    	-二次元 视频播放
        -看漫画app
        -小说网站

    -8 rbac权限管理系统
    	-使用别人前端
        -自己写后端

    -9 数字藏品

    -10 微信点单 奈雪的茶 小程序

今日内容

1 爬虫介绍

# 爬虫是什么
	-爬虫就是程序---》从互联网中，各个网站上，爬取数据[你能浏览的页面才能爬]，做数据清洗，入库

# 爬虫的本质
	-现在所有的软件原理：大部分都是基于http请求发送和获取数据的
    	-pc端的网页
        -移动端app
    -模拟发送http请求，从别人的服务端获取数据
    -绕过反扒：不同程序反扒措施不一样，比较复杂

# 爬虫原理
	-发送http请求【requests，selenium】----》第三方服务端----》服务端响应的数据解析出想要的数据【selenium,bs4】---》入库(文件，excel，mysql,redis,mongodb。。)
    -scrapy:专业的爬虫框架

# 爬虫是否合法
	-爬虫协议：每个网站根路径下都有robots.txt，这个文件规定了，该网站，哪些可以爬取，哪些不能爬 

# 补充：百度其实就是一个大爬虫
	-百度爬虫一刻不停的在互联网中爬取各个页面---》爬取完后---》保存到自己的数据库中
    -你在百度搜索框中搜索---》百度自己的数据库查询关键字---》返回回来
    -点击某个页面----》跳转到真正的地址上
    -核心：搜索，海量数据中搜索出想要的数据
    -seo：免费的搜索，排名靠前
    -sem：花钱买关键字

# 内容概述
	-模拟发送http请求
    	- requests模块
        - selenium
        -反扒：封ip：ip代理，封账号：cookie池
    -解析数据：bs4
    -入库：mysql，redis，文件中

    -爬虫框架：scrapy

2 request模块介绍

# 使用python如何发送http请求
# 模块：requests模块,封装了python内置模块urllib
	使用requests可以模拟浏览器的请求（http），比起之前用到的urllib，requests模块的api更加便捷（本质就是封装了urllib3)

# 安装
pip3 install requests

# 简单使用
import requests
res=requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html')
print(res.text) # http响应体的文本内容

3 request发送get请求

import requests
#
# res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html')
# print(res.text)

# 如果有的网站，发送请求，不返回数据，人家做了反扒---》拿不到数据，学习如何反扒
# res = requests.get('https://dig.chouti.com/')
# print(res.text)

4 request携带参数

import requests

# 方式一：直接拼接到路径中
# res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html?name=lqz&age=19')
# 方式二：使用params参数
res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html',params={'name':"lqz",'age':19})
# print(res.text)
print(res.url)

5 url编码解码

import requests
from urllib.parse import quote,unquote
# res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html',params={'name':"彭于晏",'age':19})
# # print(res.text)
#
# # 如果是中文，在地址栏中会做url的编码：彭于晏：%E5%BD%AD%E4%BA%8E%E6%99%8F
# print(res.url)
# 'https://www.baidu.com/s?wd=%E5%B8%85%E5%93%A5'

# 编码：
# res=quote('彭于晏')
# print(res)

# 解码
res=unquote('%E5%BD%AD%E4%BA%8E%E6%99%8F')
print(res)

6 携带请求头

# 反扒措施之一，就是请求头

# http请求中，请求头中有一个很重要的参数 User-Agent
	-表明了客户端类型是什么：Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36
    -request发送请求，没有携带该参数，所以有的网站就禁止了
    -后端使用中间件判断是否携带某些请求头，如果没有携带该参数就禁止该请求。

import requests
# http请求头：User-Agent，cookie，Connection

# http协议版本间的区别
# Connection: keep-alive
# http协议有版本：主流1.1   0.9   2.x
# http 基于TCP 如果建立一个http链接---》底层创建一个tcp链接
# 1.1比之前多了keep-alive
# 2.x比1.x多了 多路复用
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
res = requests.get('https://dig.chouti.com/',headers=headers)
print(res.text)

http协议版本之间的区别

http 0.9:两个请求 两个tcp链接（浪费资源）

# http 0.9 --添加keep-alive请求头-> 1.1
http 1.1:短时间实现了多次请求共用一个TCP链接（多请求复用）

# http 1.x --添加多路复用--> http 2.x
http 2.x 的一个tcp链接 可以传输多个http请求！效率更高 多个http请求可以共用一个tcp链接包。http请求包在一个包里但是可以分开！

http 3.0 底层基于udp

7 发送post请求,携带数据

import requests

# 携带登录信息，携带cookie
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36',
    'Cookie': ''
}
# post请求，携带参数
data = {
    'linkId': '38063872'
}
res = requests.post('https://dig.chouti.com/link/vote', headers=headers, data=data)
print(res.text)

# 双token认证

对于某接口发送post请求

示例是：点赞接口

不携带请求头：被防火墙拦下

不携带cookies: 返回登录页面，让你去登录

携带cookies: 服务器异常（post请求未携带参数）

post请求携带参数：成功访问接口

双token认证

• token被截获怎么保证安全？

# 方式一
  使用双token认证。长token短token 令截获到的token快速过期
# 方式二
  在token里面加上当前登录的IP地址，如果被别人拿到了，对比一下IP

8 自动登录，携带cookie的两种方式

# 登录功能，一般都是post

import requests

data = {
    'username': '',
    'password': '',
    'captcha': '3456',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}

res = requests.post('http://www.aa7a.cn/user.php',data=data)
print(res.text)
# 响应中会有登录成功的的cookie，
print(res.cookies)  # RequestsCookieJar 跟字典一样
# 拿着这个cookie，发请求，就是登录状态

# 访问首页，get请求，携带cookie，首页返回的数据一定会有 我的账号
# 携带cookie的两种方式:
# 方式一是字符串（带在请求头）、方式二是字典或CookieJar对象

# 方式二：放到cookie参数中
res1=requests.get('http://www.aa7a.cn/',cookies=res.cookies)

print('616564099@qq.com' in res1.text)

9 requests.session的使用

# 为了保持cookie ，以后不需要携带cookie

import requests

data = {
    'username': '',
    'password': '',
    'captcha': '3456',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}

session = requests.session()
res = session.post('http://www.aa7a.cn/user.php', data=data)
print(res.text)
res1 = session.get('http://www.aa7a.cn/')  # 自动保持登录状态，自动携带cookie

print('616564099@qq.com' in res1.text)

可以自动维护cookies。

10 补充post请求携带数据编码格式

import requests

# data对应字典，这样写，编码方式是urlencoded
requests.post(url='xxxxxxxx',data={'xxx':'yyy'})
# json对应字典，这样写，编码方式是json格式
requests.post(url='xxxxxxxx',json={'xxx':'yyy'})
# 终极方案，编码就是json格式
requests.post(url='',
              data={'':1,},
              headers={
                  'content-type':'application/json'
              })

'''
调用第三方服务接口，可能会这样使用。
注意：get请求没有编码格式。
'''

11 响应Response对象

# Response相应对象的属性和方法
import requests
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
respone=requests.get('http://www.jianshu.com',headers=headers)
# respone属性
print(respone.text) # 响应体转成了字符串
print(respone.content) # 响应体的二进制内容

print(respone.status_code) # 响应状态码
print(respone.headers)   # 响应头
print(respone.cookies)  # cookie是在响应头，cookie很重要，它单独做成了一个属性
print(respone.cookies.get_dict()) # cookieJar对象---》转成字段
print(respone.cookies.items())  # cookie的键值对

print(respone.url)    # 请求地址
print(respone.history) # 不用关注

print(respone.encoding)  # 响应编码格式

'''响应头里面有cookies.'''

12 编码问题

# 有的网站，打印
res.text --->发现乱码---》请求回来的二进制---》转成了字符串---》默认用utf8转---》

# request.text会默认帮你转成utf-8

response.encoding='gbk'
再打印res.text它就用gbk转码

13 下载图片，视频

import requests

# res=requests.get('http://pic.imeitou.com/uploads/allimg/230224/7-230224151210-50.jpg')
# # print(res.content)
# with open('美女.jpg','wb') as f:
#     f.write(res.content)
#

res=requests.get('https://vd3.bdstatic.com/mda-pcdcan8afhy74yuq/sc/cae_h264/1678783682675497768/mda-pcdcan8afhy74yuq.mp4')
with open('致命诱惑.mp4','wb') as f:
    for line in res.iter_content():  # 视频可能很大、所有需要逐行存储：
        f.write(line)

练习

图片防盗链：如何解决？