day02

昨日回顾:
一 爬虫基本原理
- 爬虫全过程
1.发送请求
2.接收响应数据
3.解析并提取有价值的数据
4.保存数据

二 Requests请求库
- get
url
headers
cookies

- post
url
headers
cookies
data
三 爬取校花网视频
1.经过主页解析提取详情页
2.经过详情页提取视频url
3.获取视频的二进制流写入本地

四 自动登陆github
1.分析请求头与请求体信息
- 用户名
- 密码
- token
- 杂七杂八

2.token
- 经过对login页面的解析提取

3.对session_url发送请求
- headers:
- user-agent

- cookies:
- login页面的cookies

- data:
- form_data

今日内容:

一 requests请求库爬取豆瓣电影信息
- 请求url
https://movie.douban.com/top250

- 请求方式
GET

- 请求头
user-agent
cookies

二 selenium请求库
一、什么是selenium？
期初是一个自动化测试工具，原理是驱动
浏览器执行一些必定好的操做。爬虫本质
上就是模拟浏览器，因此可使用它来作爬虫。

二、为何要使用selenium？
优势:
- 执行js代码
- 不须要分析复杂的通讯流程
- 对浏览器作弹窗、下拉等操做
- ***** 获取动态数据
- *** 破解登陆验证

缺点:
- 执行效率低

三、安装与使用
1. 安装selenium请求库:
pip3 install selenium

2. 必须安装浏览器
"谷歌"或者火狐

3.安装浏览器驱动
http://npm.taobao.org/mirrors/chromedriver/2.38/
windows:
下载win32驱动

'''
项目一：爬取豆瓣电影信息:
    电影排名、电影名称、电影url、电影导演
    电影主演、电影年份、电影类型
    电影评分、电影评论、电影简介
    
一、分析全部主页的url
第一页:
https://movie.douban.com/top250?start=0&filter=
第二页:
https://movie.douban.com/top250?start=25&filter=
第三页:
https://movie.douban.com/top250?start=50&filter=

'''

import requests
import re
# 爬虫三部曲
# 一、发送请求
def get_page(url):
    response = requests.get(url)
    # print(response.text)
    return response


# 二、解析数据
def parse_index(html):
    ''''''
    '''
    电影排名、电影url、电影名称、电影导演、电影主演
    电影年份/电影类型、电影评分、电影评论、电影简介
    <div class="item">.*?<em class="">(.*?)</em>.*?<a href="(.*?)">
    .*?<span class="title">(.*?)</span>.*?导演: (.*?)主演: (.*?)<br>(.*?)</p>
    .*?<span class="rating_num".*?>(.*?)</span>.*?<span>(.*?)人评价</span>
    .*?<span class="inq">(.*?)</span>
    
    <div class="item">.*?<em class="">(.*?)</em>.*?<a href="(.*?)">.*?<span class="title">(.*?)</span>.*?导演: (.*?)主演: (.*?)<br>(.*?)</p>.*?<span class="rating_num".*?>(.*?)</span>.*?<span>(.*?)人评价</span>.*?<span class="inq">(.*?)</span>
    '''
    movie_list = re.findall('<div class="item">.*?<em class="">(.*?)</em>.*?<a href="(.*?)">.*?<span class="title">(.*?)</span>.*?导演: (.*?)主演: (.*?)<br>(.*?)</p>.*?<span class="rating_num".*?>(.*?)</span>.*?<span>(.*?)人评价</span>.*?<span class="inq">(.*?)</span>',
               html,
               re.S)

    return movie_list

# 三、保存数据
def save_data(movie):
    # 电影排名、电影url、电影名称、电影导演、电影主演
    # 电影年份 / 电影类型、电影评分、电影评论、电影简介
    top, m_url, name, daoyan, actor, year_type, \
    point, commit, desc = movie
    year_type = year_type.strip('\n')
    data = f'''
                ======== 欢迎尊敬官人观赏 ========
                        电影排名:{top}
                        电影url:{m_url}
                        电影名称:{name}
                        电影导演:{daoyan}
                        电影主演:{actor}
                        年份类型:{year_type}
                        电影评分:{point}
                        电影评论:{commit}
                        电影简介:{desc}
                ======== 请官人下次再来哟 ========
                \n
                \n
                '''
    print(data)

    with open('douban_top250.txt', 'a', encoding='utf-8') as f:
        f.write(data)

    print(f'电影: {name} 写入成功...')

if __name__ == '__main__':
    # 拼接全部主页
    num = 0
    for line in range(10):
        url = f'https://movie.douban.com/top250?start={num}&filter='
        num += 25
        print(url)

        # 1.往每一个主页发送请求
        index_res = get_page(url)

        # 2.解析主页获取电影信息
        movie_list = parse_index(index_res.text)

        for movie in movie_list:
            # print(movie)

            # 3.保存数据
            save_data(movie)

 

项目二：02selenium基本使用

 

from selenium import webdriver  # web驱动
from selenium.webdriver.common.by import By  # 按照什么方式查找，By.ID,By.CSS_SELECTOR
from selenium.webdriver.common.keys import Keys  # 键盘按键操做
from selenium.webdriver.support import expected_conditions as EC  # 和下面WebDriverWait一块儿用的
from selenium.webdriver.support.wait import WebDriverWait  # 等待页面加载某些元素
import time

import time

# 方式一: 经过驱动打开浏览器
# driver = webdriver.Chrome(r'驱动的绝对路径/webdriver.exe')

# 方式二: 把webdriver.exe驱动放到 python解释器安装目录/Scripts文件夹中
# python解释器安装目录/Scripts配置环境变量
# python解释器安装目录 配置环境变量
driver = webdriver.Chrome()

try:

    driver.get('https://www.jd.com/')

    # 获取显式等待对象10秒
    # 能够等待某个标签加载10秒
    wait = WebDriverWait(driver, 10)

    # 查找元素id为key
    input_tag = wait.until(EC.presence_of_element_located(
        (By.ID, 'key')
    ))

    time.sleep(5)
            
    # 在输入框内输入商品名称
    input_tag.send_keys('公仔')

    # 按下键盘回车键
    input_tag.send_keys(Keys.ENTER)


    time.sleep(20)

finally:
    # 关闭浏览器释放操做系统资源
    driver.close()

 

项目三：selenium选择器

''''''
from selenium import webdriver  # web驱动
from selenium.webdriver.common.keys import Keys  # 键盘按键操做
import time

import time

driver = webdriver.Chrome()

try:

    # 隐式等待: 须要在get以前调用
    # 等待任意元素加载10秒
    driver.implicitly_wait(10)

    driver.get('https://www.baidu.com/')

    # 显式等待: 须要在get以后调用
    time.sleep(5)

    '''
    ===============全部方法===================
        element是查找一个标签
        elements是查找全部标签
    '''
    # 自动登陆百度 start
    # 一、find_element_by_link_text # 经过连接文本去找
    login_link = driver.find_element_by_link_text('登陆')
    login_link.click()  # 点击登陆

    time.sleep(1)

    # 二、find_element_by_id # 经过id去找
    user_login = driver.find_element_by_id('TANGRAM__PSP_10__footerULoginBtn')
    user_login.click()

    time.sleep(1)

    # 三、find_element_by_class_name
    user = driver.find_element_by_class_name('pass-text-input-userName')
    user.send_keys('*****')

    # 四、find_element_by_name
    pwd = driver.find_element_by_name('password')
    pwd.send_keys('*****')

    submit = driver.find_element_by_id('TANGRAM__PSP_10__submit')
    submit.click()
    # end

    # 五、find_element_by_partial_link_text
    # 局部连接文本查找
    login_link = driver.find_element_by_partial_link_text('登')
    login_link.click()

    # 六、find_element_by_css_selector
    # 根据属性选择器查找元素
    # .: class
    # #: id
    login2_link = driver.find_element_by_css_selector('.tang-pass-footerBarULogin')
    login2_link.click()

    # 七、find_element_by_tag_name
    div = driver.find_elements_by_tag_name('div')
    print(div)


    time.sleep(20)

finally:
    # 关闭浏览器释放操做系统资源
    driver.close()