首页 / 爬虫 / day3 python爬虫入门
day3 python爬虫入门
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了day3 python爬虫入门，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含7135字，纯文字阅读大概需要11分钟。
内容图文
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、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
4、浏览器发送的是什么条件？
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：
http://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
5、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、MongoDBcu存储库）
二、Requests请求库
1、安装与使用
_ 打开cmd
_输入：pip3 install requests
Requests请求库使用
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)
2、抓取视频
1）视频选项：抓取梨视频
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)
2）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()
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')
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'
}
4、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>
''''''
'''
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)
内容总结
以上是互联网集市为您收集整理的day3 python爬虫入门全部内容，希望文章能够帮你解决day3 python爬虫入门所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。