爬虫原理和Requests请求库
今日内容：
一 爬虫原理
二 Requests请求库
一 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（京东域名）-> DNS解析 -> 京东服务端的 IP 和 端口
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相应数据。
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)
（以下是requests的基本使用，以爬去单个百度网页为例）
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)
二 Requests请求库
1.安装与使用
- 打开cmd
- 输入: pip3 install requests
2.爬取视频
3.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
https://www.cnblogs.com/kermitjam/articles/9692597.html
POST:
需要携带用户信息往目标地址发送请求
https://www.cnblogs.com/login
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'
}
（以爬取“梨视频”的上的单个视频为例）
'''''' ''' 视频选项: 1.梨视频 ''' # import requests # # # 往视频源地址发送请求 # 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('视频.mp4', 'wb') as f: # f.write(response.content) ''' 1、先往梨视频主页发送请求 https://www.pearvideo.com/ 解析获取所有视频的id: video_1570302 re.findall() 2、获取视频详情页url: 惊险!男子抢上地铁滑倒,就脚进去了 https://www.pearvideo.com/video_1570302 揭秘坎儿井 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, '视频爬取完成')
三 爬取豆瓣电影
在爬取网站上多个信息时，例如获取豆瓣评分Top250的电影的信息时，对于不变的条件我们可以直接通过非贪婪匹配忽略，
对于重要信息通过(.*?)提取不同信息。下面介绍一些相关的符号。
.: 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
（以下是爬取豆瓣排行Top250的代码：）
'''''' ''' 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 # base_url = 'https://movie.douban.com/top250?start={}&filter='.format(num) 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 # v_top = movie[0] # v_url = movie[1] moive_content = f''' 电影排名: {v_top} 电影url: {v_url} 电影名称: {v_name} 导演主演: {v_daoyan} 电影评分: {v_point} 评价人数: {v_num} 电影简介: {v_desc} ''' print(moive_content) # 保存数据 save_data(moive_content)