爬虫基础知识
目录
爬虫是什么？；爬虫就是程序--->从互联网中，各个网站上，爬取数据[前提是：你能浏览的页面才能爬]，做数据清洗，保存到数据库的过程。
爬虫本质：模拟方式发送http请求、然后获取数据、再做数据清洗、最后保存到数据库
本篇爬虫知识主要包括(不会一次性写完，分好几篇文章写完)：
- 模拟发送http请求(requests模块、selenium)
- 反扒(封IP：IP代理、封账号：cookie池)
- 解析数据(bs4)
- 入库(保存到MySQL、Redis等数据库以及普通文件)
- 爬虫框架(scrapy)
一、requests模块
使用python为什么能发送http请求，原因是该模块封装了Python内置模块urllib(起之前用到的urllib，requests模块的api更加便捷,本质就是封装了urllib3)
安装模块
pip install requests
基本使用
import requests
res = requests.get('网址') # 获取数据发送get请求
print(res.text) # text 参数可以打印出页面HTML代码
二、requests携带参数的方式
第一：直接在URL后面英文问号拼参数
res = requests.get('网址')
第二：使用params参数(其实最后效果跟第一种方式一样)
res = requests.get('网址',params={'name':'mire','age':18})
三、get请求URL解码编码
import requests
from urllib.parse import quote, unquote
res = requests.get('网址', params={'name': '阿丽米热', 'age': 18})
print(res.url) # https://www.cnblogs.com/almira998/p/17208674.html?name=%E9%98%BF%E4%B8%BD%E7%B1%B3%E7%83%AD&age=18
"""
我们平时在浏览器上搜关键字，有时候当前网址后面拼搜索关键字但是其已经url编码的具体样子如下
https://www.cnblogs.com/almira998/p/17208674.html?name=%E9%98%BF%E4%B8%BD%E7%B1%B3%E7%83%AD&age=18
怎么样？是不是很眼熟啊，这就是url编码后的效果
"""
'''
那么我们可以研究下如编码和解码
首先要导入模块 from urllib.parse import quote, unquote
quote：代表编码
unquote：代表解码
'''
# 演示一下编码和解码
res = quote('阿丽米热')
print(res) # %E9%98%BF%E4%B8%BD%E7%B1%B3%E7%83%AD
res1 = unquote('%E9%98%BF%E4%B8%BD%E7%B1%B3%E7%83%AD')
print(res1) # 阿丽米热
四、post请求携带数据编码格式
import requests
# data对应字典，这样写，编码方式是urlencoded
requests.post(url='xxxxxxxx',data={'xxx':'yyy'})
# json对应字典，这样写，编码方式是json格式
requests.post(url='xxxxxxxx',json={'xxx':'yyy'})
# 终极方案，编码就是json格式
requests.post(url='',
data={'':1,},
headers={
'content-type':'application/json'
})
四、get请求携带请求头
# (反爬虫措施之一)
Connection: keep-alive # 该参数的作用保持链接状态，因为http协议本质是基于TCP协议的(无连接、无状态)
Cookie: 很长的字符串删掉; # 带着cookie就可以信任为登录状态，请求比较容易成功
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.3 # 表示客户端的类型 比如操作系统浏览器类型等等
import requests
# 先用字典的形式包装好
headers = {
'Connection':'keep-alive',
'Cookie':'一堆字符串',
'User-Agent':''
}
res = requests.get('网址', headers=headers) # headers=headers表明携带请求头
print(res.text)
五、post请求携带参数
# 发送post请求需要以下参数
"""
1、携带登录信息(用户名、密码、验证码)
2、携带cookie
3、携带请求头headers
"""
import requests
data = {
'username': '',
'password': '',
'captcha': '3456',
'remember': 1,
'ref': '网址',
'act': 'act_login'
}
headers = {
'Connection':'keep-alive',
'Cookie':'一堆字符串',
'User-Agent':''
}
res = requests.get('网址', data=data, headers=headers)
print(res.text)
"""
登录一般都是post请求，需要细带cookie
但是有些网站啊有双token认证 严重影响了爬虫的效率
使用requests.session就不用带cookie
"""
# 使用方法
session = requests.session()
res = session.post('网址', data=data)
res1 = session.get('网址') # 自动保持登录状态，自动携带cookie
六、requests.session的使用(可以不用带cookie)
import requests
# 在data参数里需要携带用户名密码验证码等基本信息
data = {
'username': '3014885197@qq.com',
'password': 'almira10054X',
'referer': '网址'
}
# 发post请求，参数里面传data参数
session = requests.session()
res = session.post('网址, data=data)
print(res.text)
七、response对象
# Response相应对象的属性和方法
import requests
headers = {
'User-Agent': '一些pc和浏览器配置信息'
}
respone=requests.get('网址',headers=headers)
# respone属性
print(respone.text) # 响应体转成了字符串
print(respone.content) # 响应体的二进制内容
print(respone.status_code) # 响应状态码
print(respone.headers) # 响应头
print(respone.cookies) # cookie是在响应头，cookie很重要，它单独做成了一个属性
print(respone.cookies.get_dict()) # cookieJar对象---》转成字段
print(respone.cookies.items()) # cookie的键值对
print(respone.url) # 请求地址
print(respone.history) # 不用关注
print(respone.encoding) # 响应编码格式
八、爬取图片和视频(前提是没有做防盗链)
import requests
url = '网址'
res = requests.get(url)
with open('狗.jpg', 'wb') as f:
for line in res.iter_content():
f.write(line)
url = '网址'
res1 = requests.get(url)
with open('视频.mp4', 'wb') as f:
for line in res1.iter_content():
f.write(line)