[Python知识库]python：写你的第一个爬虫代码

什么是爬虫

爬虫spider，是指向网站或者网络发出请求，获取资源后分析并提取对自己有用的数据的程序。

request：是指用户将自己的信息通过浏览器发送给服务器。
response：服务器收到用户的请求分析后，返回的数据。
注意：浏览器在接收到服务器的response后，会解析出显示给用户，爬虫程序主要就是模拟浏览器向服务器发出请求并且接收到response后，提取自己需要的数据的过程。

request
请求方式：get/post
请求的url：用来定位互联网上的唯一资源。
User-agent：没有请求头，服务端会当作非法用户host。
cookies：用来保存登录信息。
爬虫程序一般都需要请求头~
请求有需要注意的几个参数：referrer/User-Agent/cookie
请求体：分两种情况，get请求不包含请求体，直接从放在url后面的参数中，如果post请求，请求体就是format data。

response
响应状态：~200：成功 ~301：跳转 ~404：文件不存在 ~403：无权限访问 ~502：服务器错误
response header：响应头需要注意的参数：set-Cookie:BDSVRTM=0;path=/: 可能会有多个参数，用来告诉浏览器，把cookie保存下来。
preview：json数据

获取百度网页数据并放到文件中

from urllib.request import urlopen

url = "http://www.baidu.com"

resp = urlopen(url)

with open("mybaidu.html",mode="w") as f:
  f.write(resp.read().decode("utf-8"))

print("over!")

百度翻译，输入一个单词并翻译

import requests
url = "https://fanyi.baidu.com/sug"
s = input("请输入你要翻译的单词：")
data = {
  "kw":s
}
# 发送post请求,发送的数据必须放在字典中，通过data参数进行传递
resp = requests.post(url,data=data)
# 将服务器返回来的内容直接处理成json() =>dict
print(resp.json())
resp.close() #关掉resp

获取豆瓣的电影排行榜数据

import requests

url = "https://movie.douban.com/j/chart/top_list"

# 重新封装参数
param = {
  "type": "11",
  "interval_id":"100:90",
  "action":"",
  "start": 0,
  "limit": 20
}
headers = {
  "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36X-Requested-With: XMLHttpRequest"
}
resp = requests.get(url=url,params=param,headers=headers)
print(resp.json())
resp.close() #关掉resp