今日内容： 一 爬虫原理 二 Requests请求库Day03
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 <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><div class="item"><div class="pic"> <em class="">226</em> <a href="https://movie.douban.com/subject/1300374/"> <img width="100" alt="绿里奇迹" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p767586451.webp" class=""> </a></div><div class="info"> <div class="hd"> <a href="https://movie.douban.com/subject/1300374/" class=""> <span class="title">绿里奇迹</span> <span class="title"> / The Green Mile</span> <span class="other"> / 绿色奇迹(台) / 绿色英里</span> </a> <span class="playable">[可播放]</span> </div> <div class="bd"> <p class=""> 导演: Frank Darabont 主演: 汤姆·汉克斯 Tom Hanks / 大卫·摩斯 David M...<br> 1999 / 美国 / 犯罪 剧情 奇幻 悬疑 </p> <div class="star"> <span class="rating45-t"></span> <span class="rating_num" property="v:average">8.7</span> <span property="v:best" content="10.0"></span> <span>141370人评价</span> </div> <p class="quote"> <span class="inq">天使暂时离开。</span> </p> </div></div></div>导入requests爬取梨视频：
'''
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')
爬取豆瓣电影TOP250
'''
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}
\n
'''
print(moive_content)
# 保存数据
save_data(moive_content)
总结：老师教学了如何爬取，今日大致掌握了爬取视频和爬取电影信息等内容。
转载于:https://www.cnblogs.com/Max-xyh-1228/p/11100140.html
相关资源：JAVA上百实例源码以及开源项目
