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()