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 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('

（2）爬取视频

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('(.*?)',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 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 = 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)