Day02课堂成果

蔚落 2021-11-17 10:22 228阅读 0赞

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.通过主页解析提取详情页  
2.通过详情页提取视频url  
3.获取视频的二进制流写入本地  
  
四 自动登录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  
\- 通过对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

一、爬取豆瓣电影

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

1.分析所有主页的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

1.发送请求

def get_page(url):
        response=requests.get(url)
        #print(response.text)
        return response

2.解析数据

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">.*?(.*?)
 .*?<a href="(.*?)">.*?
 (.*?)
 .*?导演: (.*?)主演:(.*?) (.*?)
 .*?
 (.*?).*?(.*?)人评价
 .*?(.*?)

def parse_index(html):
 movie_list=re.findall('<div class="item">.*?(.*?).*?<a href="(.*?)">.*?(.*?).*?导演: (.*?)主演:(.*?) (.*?).*?(.*?).*?(.*?)人评价.*?(.*?)',html,re.S)
 return movie_list

3.保存数据

def save_data(movie):
        top,m_url,name,daoyan,actor,year_type,point,commit,desc=movie
        year_type=year_type.strip('\n')
        data=f'''
        ========= 欢迎观看电影 ===========
                电影排名:{top}
                电影名称:{m_url}
                电影url:{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}
        ========= 十分感谢观赏 ===========
        \n
        \n
             '''
        print(data)
        with open('douban_top250.text','a',encoding='utf-8')as f:
            f.write(data)
        print(f'电影:{name}写入成功。。。')
    if __name__ == '__main__':
        #拼接所有主页
        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:
                #3.保存数据
                save_data(movie)

输出样式：（仅供参考）

========= 欢迎观看电影 ===========  
电影排名:1  
电影名称:https://movie.douban.com/subject/1292052/  
电影url:肖申克的救赎  
电影导演:弗兰克·德拉邦特 Frank Darabont&nbsp;&nbsp;&nbsp;  
电影主演: 蒂姆·罗宾斯 Tim Robbins /...  
年份类型: 1994&nbsp;/&nbsp;美国&nbsp;/&nbsp;犯罪 剧情  
  
电影评分:9.6  
电影评论:1469489  
电影简介:希望让人自由。  
========= 十分感谢观赏 ===========

二 selenium请求库  
1、什么是selenium？  
期初是一个自动化测试工具，原理是驱动  
浏览器执行一些一定好的操作。爬虫本质  
上就是模拟浏览器，所以可以使用它来做爬虫。  
  
2、为什么要使用selenium？  
优点:  
\- 执行js代码  
\- 不需要分析复杂的通信流程  
\- 对浏览器做弹窗、下拉等操作  
\- \*\*\*\*\* 获取动态数据  
\- \*\*\* 破解登录验证  
  
缺点:  
\- 执行效率低  
  
3、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

二、selenium的基本使用

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#键盘按键操作
    from  selenium.webdriver.support import  expected_conditions as EC#和下面WebDriveWait一起用的
    from selenium.webdriver.support.wait import WebDriverWait#等待页面加载某些元素
    import time
    import time

通过驱动打开浏览器

driver =webdriver.Chrome()
    try:
        driver.get('http://www.jd.com')
        #获取显示等待对象10秒
        #可以等待某个标签加载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:
        #关闭浏览器释放操作系统资源
        driver.close()

三、selenium选择器

from selenium import webdriver  # web驱动
    from selenium.webdriver.common.keys import Keys  # 键盘按键操作
    import time
    
    import time
    
    
    river =webdriver.Chrome()
    try:
    
        # 隐式等待: 需要在get之前调用
        # 等待任意元素加载10秒
        driver.implicitly_wait(10)
    
        driver.get('https://www.baidu.com/')
    
        # 显式等待: 需要在get之后调用
        time.sleep(5)

===============所有方法===================
        element是查找一个标签
        elements是查找所有标签

自动登录百度 start
    查找方法有如下几种：

1、find_element_by_link_text  通过链接文本去找

login_link = driver.find_element_by_link_text('登录')
        login_link.click()  # 点击登录
    
        time.sleep(1)

2、find_element_by_id  通过id去找

user_login = driver.find_element_by_id('TANGRAM__PSP_10__footerULoginBtn')
        user_login.click()
    
        time.sleep(1)

3、find_element_by_class_name

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

4、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()

5、find_element_by_partial_link_text  局部链接文本查找

login_link = driver.find_element_by_partial_link_text('登')
        login_link.click()

6、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()

7、find_element_by_tag_name

div = driver.find_elements_by_tag_name('div')
        print(div)
    
    
        time.sleep(20)

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

转载于:https://www.cnblogs.com/sde12138/p/11123376.html