day03 爬虫初学

一、爬虫原理
    1、什么是互联网：
        指的是有一堆网络设备，把一台台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和数据的共享
    3、什么是数据：
        例如淘宝、京东、商品信息。。
        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-提取有效数据-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：
            http://www.jd.com/
            www.jd.com（京东域名）-DNS解析-京东服务器的IP和端口
            http+ssl://www.jd.com
        客户端的ip和端口往服务端的ip和端口发送请求可以建立链接，获取响应数据
    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）
二、Requests请求库
    1、安装与使用
        打开cmd
        输入：pip3 install request
    2、抓取视频
    3、抓包分析
        打开浏览器的开发者模式--->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：
                直接发送请求获取资源
                https: / /www. cnblogs . com/ke rmitj am/articles/9692597. html
            POST：
                需要携带用户信息往目标地址发送请求
                https://wwW. cnb logs. com/ login
                {
                    '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（证明你目标网路的用户）
            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'
                }

四爬取豆瓣电影

      .: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>



requests：

import requests #导入requests请求库

#往百度主页发送请求，获取相应对象
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)


爬取小视频：

'''
    梨视频
'''


#import requests
#video_url = 'https://www.pearvideo.com/video_1570107'
#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/20190625/cont-1570107-14054821_adpkg-ad_hd.mp4')
#打印二进制流 比如图片、视频等
#print(response.content)
#保存视频到本地
#with open('视频1.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id
        video_1570302
        re.findall()
2、获取视频详情页url：
    惊险！男子抢上地铁滑到，就脚进去了
    https://www.pearvideo.com/video_1570302
    解谜坎儿井
    https://www.pearvideo.com/video_1570107
'''

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  = '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,'视频爬去完成')




豆瓣爬取：

'''
1、发送请求
2、解析数据
3、保持本地
'''

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55
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>')
    #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=',formate(num0
    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、电影划分、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_content = f
        '''
        排名：{v_top}
        ...
        '''
        print(movie_content)
        #保存数据
        save_data(movie_content)