python爬虫

Web请求过程

创新互联服务项目包括开江网站建设、开江网站制作、开江网页制作以及开江网络营销策划等。多年来，我们专注于互联网行业，利用自身积累的技术优势、行业经验、深度合作伙伴关系等，向广大中小型企业、政府机构等提供互联网行业的解决方案，开江网站推广取得了明显的社会效益与经济效益。目前，我们服务的客户以成都为中心已经辐射到开江省份的部分城市，未来相信会继续扩大服务区域并继续获得客户的支持与信任！

1、服务器渲染：在服务器那边直接把数据和html整合在一起，统一返回给浏览器

在页面源代码中能看到数据

2、客户端渲染：第一次请求只有一个html骨架，第二次请求拿到数据，进行数据展示(一般为XHR)

在页面源代码中看不到数据

<可用检查网页或者F12来查看>

HTTP协议

Hyper Text Transfer Protocol：超文本传输协议，从万维网(www：World Wide Web)服务器传输超文本到本地浏览器的传送协议

HTML(Hyper Text Makeup Language)：超文本标记语言

HTTP对于请求和相应都把消息分为三个部分：（ {}中表示在实际网页中的形式）

请求：

1、请求行：请求方式(get/post)、请求url地址、协议

{Request URL(在？前的是URL，在？后的是参数)、Request Method}

GET：一般用于查询东西(显式提交)，请求方式一般是Query String Parameters(即在Request URL中？后的内容)

POST：一般用于修改东西(隐式提交),请求方式一般是Form Data

2、请求头：放一些服务器要求的附加信息(比如对数据的要求)

{Request Heads}(User-Agent(请求载体的身份标识)、Referer(防盗链)、Cookie(用户的登录状态))

3、请求体：放一些请求参数(比如搜索的内容)

相应：

1、状态行：协议、状态码(告诉我请求是否成功，比如200、404、500、302)

{Status code}

2、响应头：放一些客户端要求的附加信息(比如密钥)

{Response Heads}(Cookie、各种莫名其妙的字符串(一般都是token字样))

3、响应体：服务器返回的真正的客户端要用的内容(HTML、json)

一、re

import requests
import re

url= "https://movie.douban.com/top250"
headers= {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"}  # 请求头
response = requests.get(url, headers=headers)
text= response.text
obj= re.compile(r"""
.*?(?P.*?).*?
(?P.*?)   (?P.*?)...
(?P.*?) / (?P.*?) / (?P.*?)\s\s\s.*?(?P.*?).*?(?P.*?).*?(?P.*?)""", re.S)
result= obj.finditer(text)  # 在text中查找obj（是一个Pattern对象），返回一个迭代器
for i in result:
print(i.group("name"))  # group()用于分组
    print(i.group("director").strip())  # 去掉空格
    print(i.group("lead"))
print(i.group("time").strip())
print(i.group("country"))
print(i.group("type"))
print(i.group("score"))
print(i.group("number"))
print(i.group("quote"))
response.close()

当前文章：python爬虫
网页网址：http://cdxtjz.cn/article/dsogpcd.html