Day03 爬虫基础

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块儿称之为互联网。

    2.互联网创建的目的？
        互联网创建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 发送请求能够创建连接获取相应数据。

    6.爬虫的全过程
        - 发送请求   （须要请求库: Requests请求库、Selenium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/')

 

        - 获取响应数据  （只要往服务器发送请求，请求经过后会返回响应数据）

# 设置字符编码为 utf-8
response.encoding = 'utf-8'

 

        - 解析并提取数据（须要解析库: re、BeautifulSoup四、Xpath...）

# 打印响应文本
print(response.text)

 

        - 保存到本地    (文件处理、数据库、MongoDB存储库)

# 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:
                须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（证实是经过电脑设备及浏览器发送的请求）
            Cookies: 登陆用户真实信息（证实你目标网站的用户）
            Referer: 上一次访问的url （证实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
    *: 查找全部
    ?: 找到第一个不找

    .*?: 非贪婪匹配
    .*: 贪婪匹配

    (.*?): 提取括号内的数据