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()