一 爬虫的定义和主要的功能
定义：爬虫就是向网站发起请求，获取资源后分析并提取有用的数据。
爬虫主要做的是什么？ 模拟浏览器发送请求------》下载网页源代码------》提取有用的数据-------》存放在数据库或者文件中
二 爬虫的基本流程以及请求与响应
基本流程：
1、发起请求
使用http库向目标站点发起请求，即发送一个Request；Request包含：请求头、请求体等
2、获取响应内容
如果服务器能正常响应，则会得到一个Response；Response包含：html，json，图片，视频等
3、解析内容
解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等；解析json数据：json模块；解析二进制数据:以b的方式写入文件
4、保存数据
数据库；文件
请求与响应
http协议：http://www.cnblogs.com/linhaifeng/articles/8243379.html
equest：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）
Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）
ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。
三request
1、请求方式：
常用的请求方式：GET，POST;其他请求方式：HEAD，PUT，DELETE，OPTHONS
ps：用浏览器演示get与post的区别，（用登录演示post）
post与get请求最终都会拼接成这种形式：k1=xxx&k2=yyy&k3=zzz
post请求的参数放在请求体内：可用浏览器查看，存放于form data内
get请求的参数直接放在url后
2、请求url
url全称统一资源定位符，如一个网页文档，一张图片
一个视频等都可以用url唯一来确定
url编码
https://www.baidu.com/s?wd=图片
图片会被编码（看示例代码）
网页的加载过程是：加载一个网页，通常都是先加载document文档，在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求
#3、请求头
User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host
cookies：cookie用来保存登录信息
一般做爬虫都会加上请求头
4、请求体
如果是get方式，请求体没有内容
如果是post方式，请求体是format data
ps：
1、登录窗口，文件上传等，信息都会被附加到请求体内
2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post
四 response
1、响应状态
200：代表成功
301：代表跳转
404：文件不存在
403：权限
502：服务器错误
2、Respone header
set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来
3、preview就是网页源代码
最主要的部分，包含了请求资源的内容
如网页html，图片
二进制数据等
总结
1、总结爬虫流程：
爬取--->解析--->存储
2、爬虫所需工具：
请求库：requests,selenium
解析库：正则，beautifulsoup，pyquery
存储库：文件，MySQL，Mongodb，Redis
3、爬虫常用框架：
scrapy
校花网示例
import requests
import re
import time
import hashlib
def get_page(url):
print(‘GET %s‘ %url)
try:
response=requests.get(url)
if response.status_code == 200:
return response.content
except Exception:
pass
def parse_index(res):
obj=re.compile(‘class="items.*?<a href="(.*?)"‘,re.S)
detail_urls=obj.findall(res.decode(‘gbk‘))
for detail_url in detail_urls:
if not detail_url.startswith(‘http‘):
detail_url=‘http://www.xiaohuar.com‘+detail_url
yield detail_url
def parse_detail(res):
obj=re.compile(‘id="media".*?src="(.*?)"‘,re.S)
res=obj.findall(res.decode(‘gbk‘))
if len(res) > 0:
movie_url=res[0]
return movie_url
def save(movie_url):
response=requests.get(movie_url,stream=False)
if response.status_code == 200:
m=hashlib.md5()
m.update((‘%s%s.mp4‘ %(movie_url,time.time())).encode(‘utf-8‘))
filename=m.hexdigest()
with open(r‘./movies/%s.mp4‘ %filename,‘wb‘) as f:
f.write(response.content)
f.flush()
def main():
index_url=‘http://www.xiaohuar.com/list-3-{0}.html‘
for i in range(5):
print(‘*‘*50,i)
#爬取主页面
index_page=get_page(index_url.format(i,))
#解析主页面,拿到视频所在的地址列表
detail_urls=parse_index(index_page)
#循环爬取视频页
for detail_url in detail_urls:
#爬取视频页
detail_page=get_page(detail_url)
#拿到视频的url
movie_url=parse_detail(detail_page)
if movie_url:
#保存视频
save(movie_url)
if __name__ == ‘__main__‘:
main()
#并发爬取
from concurrent.futures import ThreadPoolExecutor
import queue
import requests
import re
import time
import hashlib
from threading import current_thread
p=ThreadPoolExecutor(50)
def get_page(url):
print(‘%s GET %s‘ %(current_thread().getName(),url))
try:
response=requests.get(url)
if response.status_code == 200:
return response.content
except Exception as e:
print(e)
def parse_index(res):
print(‘%s parse index ‘ %current_thread().getName())
res=res.result()
obj=re.compile(‘class="items.*?<a href="(.*?)"‘,re.S)
detail_urls=obj.findall(res.decode(‘gbk‘))
for detail_url in detail_urls:
if not detail_url.startswith(‘http‘):
detail_url=‘http://www.xiaohuar.com‘+detail_url
p.submit(get_page,detail_url).add_done_callback(parse_detail)
def parse_detail(res):
print(‘%s parse detail ‘ %current_thread().getName())
res=res.result()
obj=re.compile(‘id="media".*?src="(.*?)"‘,re.S)
res=obj.findall(res.decode(‘gbk‘))
if len(res) > 0:
movie_url=res[0]
print(‘MOVIE_URL: ‘,movie_url)
with open(‘db.txt‘,‘a‘) as f:
f.write(‘%s\n‘ %movie_url)
# save(movie_url)
p.submit(save,movie_url)
print(‘%s下载任务已经提交‘ %movie_url)
def save(movie_url):
print(‘%s SAVE: %s‘ %(current_thread().getName(),movie_url))
try:
response=requests.get(movie_url,stream=False)
if response.status_code == 200:
m=hashlib.md5()
m.update((‘%s%s.mp4‘ %(movie_url,time.time())).encode(‘utf-8‘))
filename=m.hexdigest()
with open(r‘./movies/%s.mp4‘ %filename,‘wb‘) as f:
f.write(response.content)
f.flush()
except Exception as e:
print(e)
def main():
index_url=‘http://www.xiaohuar.com/list-3-{0}.html‘
for i in range(5):
p.submit(get_page,index_url.format(i,)).add_done_callback(parse_index)
if __name__ == ‘__main__‘:
main()
爬取校花网视频
