爬虫简介

1 爬虫介绍

# 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[你能浏览的页面才能爬]，做数据清洗，入库
    
# 爬虫的本质
	-模仿方式http请求，获取数据---》入库
    	-网站
        -app:抓包

# 补充：百度其实就是一个大爬虫
	-百度爬虫一刻不停的在互联网中爬取各个页面---》爬取完后---》保存到自己的数据库中
    -你在百度搜索框中搜索---》百度自己的数据库查询关键字---》返回回来
    -点击某个页面---》跳转到真正的地址上
    -seo
    -sem:充钱的 
        
# 咱们学习的
	-模拟发送http请求
    	-requests模块
        -selenium
        -反扒：封IP：ip代理，封帐号：cookie池
    -分析数据：bs4
    -入库：mysql，redis，文件中
    
    -爬虫框架：scrapy

-seo:
    SEO (Search Engine Optimization) 是指优化网站以在搜索引擎中提高排名的过程。目的是让搜索引擎更容易地找到和理解网站内容，从而提高网站的可见性和流量。SEO的目标是通过优化网站内容、结构和其他因素来提高搜索引擎的排名，使其在相关的搜索结果中排名更高。通过使用关键词研究、优化网站结构和内容，以及与其他网站建立高质量的链接，可以帮助提高SEO效果。SEO是一个复杂的过程，需要专业的技能和策略。
    
    SEO的实现涉及多个方面，包括以下几个方面：
1 关键词研究和优化：确定网站需要针对哪些关键词进行优化，并在网站的内容、标题、描述、URL等位置合理地使用这些关键词。
2 网站结构优化：优化网站的结构和代码，使搜索引擎能够更好地理解网站的内容，包括使用合适的HTML标记、网站结构布局优化、图片优化等。
3 内容优化：创建高质量、有价值的内容，包括文本、图像、视频等，并在网站上发布这些内容。确保内容符合搜索引擎的要求，并通过使用关键词和内部链接等方式进行优化。
4 外部链接建设：通过建立高质量的外部链接来提高网站的权威性和可信度。这些链接来自其他网站或社交媒体平台，通常是与相关领域或行业的网站建立链接。
5 移动优化：确保网站能够在移动设备上正常显示，并优化页面加载速度和响应速度。
6 监测和分析：使用工具来跟踪和分析网站的表现，包括流量、排名、反向链接等指标，以了解SEO策略的效果，并作出相应的调整。
7 这些都是SEO的基本实现策略，但是需要具体根据不同的网站类型和需求进行定制化的实施。同时，SEO是一个长期的过程，需要持续的优化和调整，以确保网站在搜索引擎中保持良好的排名。

2 requset模块介绍

# 使用python如何发送http请求
# 模块：request模块，封装了python聂志模块urllib
	使用requests可以模拟浏览器的请求(http)，比起之前用到的urllib，requests模块的api更加便捷（本质就算封装了urllib3）
    
# 安装
pip install requests

3 request发送get请求

import

# res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html')
# print(res.text)

# 如果有的网站，发送请求，不返回数据，人家做了反扒---》拿不到数据，学习如何反扒
# res = reuqests.get('https://dig.chouti.com/')
# print(res.text)

4 request携带参数

import requests

# 方式一：直接拼接到路径中
# res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html?name=lqz&age=19')
# 方式二：使用params参数
res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html',params={'name':'guts', 'age': 22})
print(res.text)  # 返回页面内容
print(res.url)   # 返回网址

5 url编码解码

import requests
from urllib.parse import qupte,unquote

# res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html',params={'name':"彭于晏",'age':19})
# print(res.text)

# 如果是中文，在地址栏中会做url的编码：彭于晏：%E5%BD%AD%E4%BA%8E%E6%99%8F
# print(res.url)
# 'https://www.baidu.com/s?wd=%E5%B8%85%E5%93%A5'

# 编码：
# res=quote('彭于晏')
# print(res)

# 解码
res = unquote('%E5%BD%AD%E4%BA%8E%E6%99%8F')
print(res)

6 携带请求头

# 反扒措施之一，就是请求头

# http请求中，请求头中有一个很重要的参数 User-Agent
	-表明了客户端类型是什么：Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36
    -如果没有带这些请求头，后端就禁止
    -request发送请求，没有携带该参数，所以有的网站就禁止了
    
    
import requests
# http请求头:User-Agent,cookie,Connection

# http协议版本间的区别
# Connection :keep-alive
# http协议有版本：主流1.1 0.9 2.x
# http 基于TCP 如果建立一个http连接---》底层创建一个tcp连接
# 1.1比之前多了keep-alive
# 2.x比1.x多了  多路复用
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
res = requests.get('https://dig.chouti.com/',headers=headers)
print(res.text)

7 发送post请求，携带数据

import requests

# 携带登录信息，携带cookie
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36',
    'Cookie': ''
}
# post请求，携带参数
data = {
    'linkId': '38063872'
}
res = requests.post('https://dig.chouti.com/link/vote', headers=headers, data=data)
print(res.text)

# 双token认证

8 自动登录，携带cookie的两种方式

# 登录功能，一般都是post

import requests

data = {
    'username': '',
    'password': '',
    'captcha': '3456',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}

res = requests.post('http://www.aa7a.cn/user.php',data=data)
print(res.text)
# 响应中会有登录成功的cookie，
print(res.cookies)  # RequestsCookieJar  跟字典一样
# 拿着这个cookie，发请求，就是登录状态

# 访问首页，get请求，携带cookie，首页返回的数据一定会有  我的账号
# 携带cookie的两种方式  方式一是字符串，方式二是字典或CookieJar对象
# 方式二：放到cookie参数中
res1 = requests.get('http:www.aa7a.cn/', cookies=res.cookies)

print('[email protected]' in res1.text)

9 requests.session的使用

# 为了保持cookie，以后不需要携带cookie

import reqeusts

data = {
    'username': '',
    'password': '',
    'captcha': '3456',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login'
}

session = requests.session()
res = session.post('http://www.aa7a.cn/user.php', data=data)
print(res.text)
res1 = session.get('http://www.aa7a.cn/')  # 自动保持登录状态，自动携带cookie

print('[email protected]' in res1.text)

10 补充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'
              })

11 响应Response对象

# Response相应对象的属性和方法

import requests
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36'
}
respone = requests.get('http://www.jianshu.com',headers=headers)
# response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

12 编码问题

# 有的网站，打印
res.text --->发现乱码---》请求回来的二进制---》转成了字符串---》默认用utf8转---》
response.encoding='gbk'
再打印res.text它就用gbk转码

13 下载图片，视频

import requests

# res=requests.get('http://pic.imeitou.com/uploads/allimg/230224/7-230224151210-50.jpg')
# # print(res.content)
# with open('美女.jpg','wb') as f:
#     f.write(res.content)
#


res=requests.get('https://vd3.bdstatic.com/mda-pcdcan8afhy74yuq/sc/cae_h264/1678783682675497768/mda-pcdcan8afhy74yuq.mp4')
with open('致命诱惑.mp4','wb') as f:
    for line in res.iter_content():
        f.write(line)