PYTHON_DAY_03
2020-12-13 03:55
标签:network 排名 point 本地 导入 text 获取数据 format 内容 今日内容: 2.互联网建立的目的? 3.什么是数据? 4.上网的全过程: - 爬虫程序: - 客户端: 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。 1.安装与使用 2.爬取视频 1)请求url(访问的网站地址) POST: 3) 响应状态码: 4) 请求头信息: 5)请求体: .*?: 非贪婪匹配 (.*?): 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 01 requests基本使用 02 爬取视频 03 爬取豆瓣电影Top250 PYTHON_DAY_03 标签:network 排名 point 本地 导入 text 获取数据 format 内容 原文地址:https://www.cnblogs.com/hsfhf/p/11094642.html
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。
互联网建立的目的是为了数据的传递以及数据的共享。
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...
- 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
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。
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
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
- 打开cmd
- 输入: pip3 install requests
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)
2)请求方式:
GET:
直接发送请求获取数据
https://www.cnblogs.com/kermitjam/articles/9692597.html
需要携带用户信息往目标地址发送请求
https://www.cnblogs.com/login
2xx: 成功
3xx: 重定向
4xx: 找不到资源
5xx: 服务器错误
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)
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
.*: 贪婪匹配
.*?.*?(.*?)
.*?导演:(.*?).*?
.*?(.*?)人评价.*?(.*?)
226
绿里奇迹
/ The Green Mile
/ 绿色奇迹(台) / 绿色英里
[可播放]
导演: Frank Darabont 主演: 汤姆·汉克斯 Tom Hanks / 大卫·摩斯 David M...
1999 / 美国 / 犯罪 剧情 奇幻 悬疑
141370人评价
天使暂时离开。
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)
‘‘‘‘‘‘
‘‘‘
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(‘(.*?)‘, 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‘)
‘‘‘‘‘‘
‘‘‘
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(‘