python爬虫入门

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)
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'
                }
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

import requests  # 导入requests请求库

六、基本使用requests

# 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)

七、爬取视频

''''''
'''
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')

八、爬去豆瓣

''''''
'''
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)