一、爬蟲

創(chuàng)新互聯(lián)公司服務(wù)項目包括疊彩網(wǎng)站建設(shè)、疊彩網(wǎng)站制作、疊彩網(wǎng)頁制作以及疊彩網(wǎng)絡(luò)營銷策劃等。多年來，我們專注于互聯(lián)網(wǎng)行業(yè)，利用自身積累的技術(shù)優(yōu)勢、行業(yè)經(jīng)驗、深度合作伙伴關(guān)系等，向廣大中小型企業(yè)、政府機(jī)構(gòu)等提供互聯(lián)網(wǎng)行業(yè)的解決方案，疊彩網(wǎng)站推廣取得了明顯的社會效益與經(jīng)濟(jì)效益。目前，我們服務(wù)的客戶以成都為中心已經(jīng)輻射到疊彩省份的部分城市，未來相信會繼續(xù)擴(kuò)大服務(wù)區(qū)域并繼續(xù)獲得客戶的支持與信任！

互聯(lián)網(wǎng)是由網(wǎng)絡(luò)設(shè)備（網(wǎng)線，路由器，交換機(jī)，防火墻等等）和一臺臺計算機(jī)連接而成，像一張網(wǎng)一樣。

互聯(lián)網(wǎng)的核心價值在于數(shù)據(jù)的共享/傳遞：數(shù)據(jù)是存放于一臺臺計算機(jī)上的，而將計算機(jī)互聯(lián)到一起的目的就是為了能夠方便彼此之間的數(shù)據(jù)共享/傳遞，否則就只能拿U盤去拷貝數(shù)據(jù)了。

互聯(lián)網(wǎng)中最有價值的便是數(shù)據(jù)，爬蟲模擬瀏覽器發(fā)送請求->下載網(wǎng)頁代碼->只提取有用的數(shù)據(jù)->存放于數(shù)據(jù)庫或文件中，就得到了我們需要的數(shù)據(jù)了

爬蟲是一種向網(wǎng)站發(fā)起請求，獲取資源后分析并提取有用數(shù)據(jù)的程序。

二、爬蟲流程

1、基本流程介紹

發(fā)送請求-----> 獲取響應(yīng)內(nèi)容----->解析內(nèi)容 ----->保存數(shù)據(jù)

#1、發(fā)起請求
使用http庫向目標(biāo)站點(diǎn)發(fā)起請求，即發(fā)送一個Request
Request包含：請求頭、請求體等

#2、獲取響應(yīng)內(nèi)容
如果服務(wù)器能正常響應(yīng)，則會得到一個Response
Response包含：html，json，圖片，視頻等

#3、解析內(nèi)容
解析html數(shù)據(jù)：正則表達(dá)式，第三方解析庫如Beautifulsoup，pyquery等
解析json數(shù)據(jù)：json模塊
解析二進(jìn)制數(shù)據(jù):以b的方式寫入文件

#4、保存數(shù)據(jù)
數(shù)據(jù)庫
文件

2、Request

常用的請求方式：GET，POST

其他請求方式：HEAD，PUT，DELETE，OPTHONS

>>> import requests
>>> r = requests.get('https://api.github.com/events')
>>> r = requests.post('http://httpbin.org/post', data = {'key':'value'})
>>> r = requests.put('http://httpbin.org/put', data = {'key':'value'})
>>> r = requests.delete('http://httpbin.org/delete')
>>> r = requests.head('http://httpbin.org/get')
>>> r = requests.options('http://httpbin.org/get')

百度搜索內(nèi)容爬取頁面：

import requests
response=requests.get("https://www.baidu.com/s",
                      params={"wd":"美女","a":1},
                      headers={
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"
                      })                #模擬在百度搜索美女的第一頁內(nèi)容，wd后面跟輸入的搜索內(nèi)容  #自己定制headers，解決網(wǎng)站的反爬蟲功能
print(response.status_code)
print(response.text)
with open("bd.html","w",encoding="utf8") as f:
    f.write(response.text)                        #下載的頁面寫進(jìn)bd.html文件，文件用瀏覽器打開發(fā)現(xiàn)和百度頁面一樣

3、Response

# 1、響應(yīng)狀態(tài)

200：代表成功

301：代表跳轉(zhuǎn)

404：文件不存在

403：權(quán)限

502：服務(wù)器錯誤

# 2、Respone header

Location：跳轉(zhuǎn)

set - cookie：可能有多個，是來告訴瀏覽器，把cookie保存下來

# 3、preview就是網(wǎng)頁源代碼

最主要的部分，包含了請求資源的內(nèi)容

如網(wǎng)頁html，圖片，二進(jìn)制數(shù)據(jù)等

# 4、response屬性

import requests
respone=requests.get('http://www.jianshu.com')
# respone屬性
print(respone.text)                     # 獲取響應(yīng)文本
print(respone.content)                 #獲取網(wǎng)頁上的二進(jìn)制圖片、視頻
print(respone.status_code)               #響應(yīng)狀態(tài)碼
print(respone.headers)                   #響應(yīng)頭

print(respone.cookies)                   #獲取cookies信息
print(respone.cookies.get_dict())
print(respone.cookies.items())

print(respone.url)
print(respone.history)                 #獲取history信息（頁面經(jīng)過重定向等方式，不是一次返回的頁面）
print(respone.encoding)                #響應(yīng)字符編碼

#關(guān)閉：response.close()
from contextlib import closing
with closing(requests.get('xxx',stream=True)) as response:
    for line in response.iter_content():
    pass

#5、獲取大文件

#stream參數(shù):一點(diǎn)一點(diǎn)的取,對于特別大的資源，一下子寫到文件中是不合理的
import requests
response=requests.get('https://gss3.baidu.com/6LZ0ej3k1Qd3ote6lo7D0j9wehsv/tieba-smallvideo-transcode/1767502_56ec685f9c7ec542eeaf6eac93a65dc7_6fe25cd1347c_3.mp4',
                      stream=True)
with open('b.mp4','wb') as f:
    for line in response.iter_content():           # 獲取二進(jìn)制流(iter_content)
        f.write(line)

三、爬取?；ňW(wǎng)視頻（加了并發(fā)的）

import requests         #安裝模塊 pip3 install requests
import re
import hashlib
import time
from concurrent.futures import ThreadPoolExecutor

pool=ThreadPoolExecutor(50)
movie_path=r'C:\mp4'

def get_page(url):
    try:
        response=requests.get(url)
        if response.status_code == 200:
            return response.text
    except Exception:
        pass
        
def parse_index(index_page):
    index_page=index_page.result()
    urls=re.findall('class="items".*?href="(.*?)"',index_page,re.S)       #找到所有屬性類為items的標(biāo)簽的鏈接地址，re.S表示前面的.*?代表所有字符
    for detail_url in urls:
        ret = re.search('.*?)"', res.text, re.S)   #找到所有video標(biāo)簽的鏈接地址
        detail_url = ret.group("path")
        res = requests.get(detail_url)
        if not detail_url.startswith('http'):
            detail_url='http://www.xiaohuar.com'+detail_url
        pool.submit(get_page,detail_url).add_done_callback(parse_detail)
        
def parse_detail(detail_page):
    detail_page=detail_page.result()
    l=re.findall('id="media".*?src="(.*?)"',detail_page,re.S)
    if l:
        movie_url=l[0]
        if movie_url.endswith('mp4'):
            pool.submit(get_movie,movie_url)
            
def get_movie(url):
    try:
        response=requests.get(url)
        if response.status_code == 200:
            m=hashlib.md5()
            m.update(str(time.time()).encode('utf-8'))
            m.update(url.encode('utf-8'))
            filepath='%s\%s.mp4' %(movie_path,m.hexdigest())
            with open(filepath,'wb') as f:                        #視頻文件，wb保存
                f.write(response.content)
                print('%s 下載成功' %url)
    except Exception:
        pass
        
def main():
    base_url='http://www.xiaohuar.com/list-3-{page_num}.html'
    for i in range(5):
        url=base_url.format(page_num=i)
        pool.submit(get_page,url).add_done_callback(parse_index)
        
if __name__ == '__main__':
    main()

四、爬蟲模擬登陸github網(wǎng)站

import requests
import re
# 第三次請求，登錄成功之后
    #- 請求之前自己先登錄一下，看一下有沒有referer
    #- 請求新的url，進(jìn)行其他操作
    #- 查看用戶名在不在里面
    
#第一次請求GET請求
response1 = requests.get(
    "https://github.com/login",
    headers = {
        "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
    },
)
authenticity_token = re.findall('name="authenticity_token".*?value="(.*?)"',response1.text,re.S)
r1_cookies =  response1.cookies.get_dict()                   #獲取到的cookie

#第二次請求POST請求
response2 = requests.post(
    "https://github.com/session",
    headers = {
        "Referer": "https://github.com/",
        "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
    },
    data={
            "commit":"Sign in",
            "utf8":"?",
            "authenticity_token":authenticity_token,
            "login":"zzzzzzzz",
            "password":"xxxx",
zhy..azjash2234
    },
    cookies = r1_cookies
)
print(response2.status_code)
print(response2.history)  #跳轉(zhuǎn)的歷史狀態(tài)碼

#第三次請求，登錄成功之后，訪問其他頁面
r2_cookies = response2.cookies.get_dict()           #拿上cookie，表示登陸狀態(tài)，開始訪問頁面
response3 = requests.get(
    "https://github.com/settings/emails",
    headers = {
        "Referer": "https://github.com/",
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
    },
    cookies = r2_cookies,
)
print(response3.text)
print("zzzzzzzz" in response3.text)             #返回True說明就成功了

五、高級用法

1、SSL Cert Verification

import requests
respone=requests.get('https://www.12306.cn',
                     cert=('/path/server.crt','/path/key'))
print(respone.status_code)

2、使用代理

#官網(wǎng)鏈接: http://docs.python-requests.org/en/master/user/advanced/#proxies
#代理設(shè)置:先發(fā)送請求給代理,然后由代理幫忙發(fā)送(封ip是常見的事情)
import requests
proxies={
    'http':'http://egon:123@localhost:9743',#帶用戶名密碼的代理,@符號前是用戶名與密碼
    'http':'http://localhost:9743',
    'https':'https://localhost:9743',
}
respone=requests.get('https://www.12306.cn',proxies=proxies)
print(respone.status_code)
#支持socks代理,安裝:pip install requests[socks]
import requests
proxies = {
    'http': 'socks5://user:pass@host:port',
    'https': 'socks5://user:pass@host:port'
}
respone=requests.get('https://www.12306.cn',proxies=proxies)
print(respone.status_code)

3、超時設(shè)置

#兩種超時:float or tuple
#timeout=0.1 #代表接收數(shù)據(jù)的超時時間
#timeout=(0.1,0.2)#0.1代表鏈接超時  0.2代表接收數(shù)據(jù)的超時時間
import requests
respone=requests.get('https://www.baidu.com', timeout=0.0001)

4、認(rèn)證設(shè)置

#官網(wǎng)鏈接：http://docs.python-requests.org/en/master/user/authentication/
#認(rèn)證設(shè)置:登陸網(wǎng)站是,彈出一個框,要求你輸入用戶名密碼（與alter很類似），此時是無法獲取html的
# 但本質(zhì)原理是拼接成請求頭發(fā)送
#         r.headers['Authorization'] = _basic_auth_str(self.username, self.password)
#看一看默認(rèn)的加密方式吧，通常網(wǎng)站都不會用默認(rèn)的加密設(shè)置

import requests
from requests.auth import HTTPBasicAuth
r=requests.get('xxx',auth=HTTPBasicAuth('user','password'))
print(r.status_code)

#HTTPBasicAuth可以簡寫為如下格式
import requests
r=requests.get('xxx',auth=('user','password'))
print(r.status_code)

5、異常處理

import requests
from requests.exceptions import * #可以查看requests.exceptions獲取異常類型
try:
    r=requests.get('http://www.baidu.com',timeout=0.00001)
except ReadTimeout:
    print('===:')
# except ConnectionError:
#     print('-----網(wǎng)絡(luò)不通')
# except Timeout:
#     print('aaaaa')
except RequestException:
    print('Error')

6、上傳文件

import requests
files={'file':open('a.jpg','rb')}
respone=requests.post('http://httpbin.org/post',files=files)
print(respone.status_code)