爬虫原理 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 互联网建立的目的:为了数据的传递与共享, 什么是数据 例如淘宝,京东商品信息,智行里面的火车票信息 上网的过程: 普通用户:打开浏览器-往目标站点(站点既一个服务器)发送请求-获取相应数据-渲染到浏览器 爬虫原理:模拟浏览器-往目标站点发送请求-获取相应数据-提取有价值的数据-持久化到数据中 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 服务端: https://www.jd.com/京东 www.jd.com(京东域名)-DMS解析-京东服务器的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
爬虫的全过程: 1.发送请求(需要请求库:requests请求库) 2.获取相应数据(只要往服务器发送请求,请求通过后会返回相应数据) 3.解析并提取数据(需要解析库:re、beautifuisound、xoath等) 4.保存到本地(文件处理、数据库、MonggoDB存储库)
requests请求库 1.安装与使用 2.爬取视频 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html(相应文件) 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 kermitja POST 需要携带用户信息往目标地址发送请求 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:登陆用户真实信息(证明你是该网站的用户) referer:上一次访问的url 5)请求体: POST请求才会有请求体 Form Data { ‘user’:‘tank’, ‘pwd’:‘123’ }
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、评论人数、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>
#requsst基本使用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-8response.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)'''''''''视频选项: 1.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)'''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: 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 requestsimport 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('(.*?)', 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')'''''''''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 requestsimport 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('.*?(.*?).*? .*?(.*?).*?导演:(.*?).*? .*?(.*?)人评价.*?(.*?)', 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)