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、什么是数据?
例如:淘宝、京东商品信息等......
东方财富、雪球网的一些证券投资信息......
链家、自如等房源信息......
12306的票务信息......
4、上网的过程:
-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
5、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/
www.jd.com(京东的域名)-->DNS解析-->京东服务端的IP和端口
http+ssl://www.jd.com/
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响应的数据。
6、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、MongoDB存储库)
7、Requests请求库
1、安装与使用
-打开cmd
-输入:pip3 install requests
8、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
{
‘user’:’tank’,
‘pwd’:’123’
}
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’
}
9、爬取豆瓣电影
.:从当前位置开始
*:查找所有
?:找到第一个就不找了
.*?:非贪婪匹配
.*:贪婪匹配
(.*?):提取括号内的数据
requests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-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)
爬取视频
'''
视频选项:
1、梨视频
'''
# import requests
# # video_url = 'http://www.pearvideo.com/video_1570302'
# # response = requests.get(url=video_url)
# # print(requests.text)
#
# 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('shiping.mp4','wb')as f:
# f.write(response.content)
'''
1、先往梨视频主页发送请求
解析获取所有视频的id
video_1570302
re.findall()
2、获取视频详情页发送请求
惊险
'''
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('http://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 = 'http://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url
response = requests.get(url=detail_url)
print(response.text)
# 解析并提取详情页视频rul
# 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')
爬取豆瓣电影
'''
'''
'''
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
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
movie_content = f'''
电影排名:{v_top}
电影url:{v_url}
电影名称:{v_name}
导演-主演-类型:{v_daoyan}
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)