zoukankan      html  css  js  c++  java
  • 爬虫基础

    一、爬虫的原理

    用户获取网络数据的方式:

    浏览器提交请求->下载网页代码->解析成页面。而网页代码中便包含了我们想要的数据

    爬虫就是模拟浏览器发送请求,然后提取想要的数据,存放于数据库或文件中

    #1、发起请求
    使用http库向目标站点发起请求,即发送一个Request
    Request包含:请求头、请求体等
    
    #2、获取响应内容
    如果服务器能正常响应,则会得到一个Response
    Response包含:html,json,图片,视频等
    
    #3、解析内容
    解析html数据:正则表达式,第三方解析库如Beautifulsoup,pyquery等
    解析json数据:json模块
    解析二进制数据:以b的方式写入文件
    
    #4、保存数据
    数据库
    文件

    二、request

    1、请求方式

    #1、请求方式:
        常用的请求方式:GET,POST
        其他请求方式:HEAD,PUT,DELETE,OPTHONS
    
        ps:用浏览器演示get与post的区别,(用登录演示post)
    
        post与get请求最终都会拼接成这种形式:k1=xxx&k2=yyy&k4=zzz
        post请求的参数放在请求体内:
            可用浏览器查看,存放于form data内
        get请求的参数直接放在url后
    
    #2、请求url
        url全称统一资源定位符,如一个网页文档,一张图片
        一个视频等都可以用url唯一来确定
    
        url编码
        https://www.baidu.com/s?wd=图片
        图片会被编码(看示例代码)
    
    
        网页的加载过程是:
        加载一个网页,通常都是先加载document文档,
        在解析document文档的时候,遇到链接,则针对超链接发起下载图片的请求
    
    #3、请求头
        User-agent:请求头中如果没有user-agent客户端配置,
        服务端可能将你当做一个非法用户
        host
        cookies:cookie用来保存登录信息
    
        一般做爬虫都会加上请求头
    
    
    #4、请求体
        如果是get方式,请求体没有内容
        如果是post方式,请求体是format data
    
        ps:
        1、登录窗口,文件上传等,信息都会被附加到请求体内
        2、登录,输入错误的用户名密码,然后提交,就可以看到post,正确登录后页面通常会跳转,无法捕捉到post 
     

    三、response

    #1、响应状态
        200:代表成功
        301:代表跳转
        404:文件不存在
        403:权限
        502:服务器错误
    
    #2、respone header
        set-cookie:可能有多个,是来告诉浏览器,把cookie保存下来
        
    #3、preview就是网页源代码
        最主要的部分,包含了请求资源的内容
        如网页html,图片
        二进制数据等

    示例:

    import requests
    import re
    import hashlib,time
    
    # def get_index(url):
    #     获取当前url的页面内容
    #     response=requests.get(url)
    #     if response.status_code == 200:
    #         return response.text
    #
    # def parse_index(res):
    #     匹配需要访问的标签
    #     urls=re.findall(r'class="items".*?href="(.*?)"',res,re.S)
    #     return urls
    #
    # def get_detail(urls):
    #     根据需要访问的标签匹配需要的内容标签
    #     for url in urls:
    #         if not url.startswith('http'):
    #             url='http://www.xiaohuar.com%s' %url
    #         r1=requests.get(url)
    #         if r1.status_code == 200:
    #             l=re.findall(r'id="media".*?src="(.*?)"',r1.text,re.S)
    #             if l:
    #                 mp4_url=l[0]
    #                 # print(mp4_url)
    #                 save(mp4_url)
    #
    # def save(url):
    #     保存需要访问的地址内容
    #     print('Download:%s' %url)
    #     r2=requests.get(url)
    #     if r2.status_code == 200:
    #         m=hashlib.md5()
    #         m.update(url.encode('utf-8'))
    #         m.update(str(time.time()).encode('utf-8'))
    #         filename='%s.mp4' %m.hexdigest()
    #         file_path=r'G:\%s' %filename
    #         with open(file_path,'wb') as f:
    #             f.write(r2.content)
    #
    #
    # def main():
    #     匹配所有的页面
    #     for i in range(5):
    #         res1=get_index('http://www.xiaohuar.com/list-3-%s.html' %i)
    #         res2=parse_index(res1)
    #         get_detail(res2)
    #
    #
    # if __name__ == '__main__':
    #     main()

     

  • 相关阅读:
    .net验证是否合法邮箱和ip地址的方式
    .net通用类型转换方法
    asp.net中的<%%>的使用
    autofac初识
    .net面试题
    asp.net使用一般处理程序实现文件下载
    asp.net 一般处理程序接收上传文件的问题
    Python学习日记(十八) 序列化模块
    Python学习日记(十七) os模块和sys模块
    Python学习日记(十六) time模块和random模块
  • 原文地址:https://www.cnblogs.com/fenglinglf/p/7794162.html
Copyright © 2011-2022 走看看