爬虫的一些小技巧总结

一、在爬虫中，爬取的数据类型如下

1.document:返回的是一个HTML文档

2.png:无损的图片，jpg:压缩后的图片,wbep:有损压缩，比png差，比jpg好

3.avg+xml图像编码字符串

4.script:脚本文件，依据一定格式编写的可执行的文件

5.gif:图像交换格式

6.xhr:返回的是json数据类型，在没有刷新整个网页的情况下，更新部分网页，也称Ajax请求

7.包后缀是css意味着其是css样式

二、

1.几个快捷进入开发者工具的指令： 

打开开发者工具方法：F12(键盘)/fn+f12/ctrl+shift+i

2.列表转字符串方法：

str.join(列表)

如'\n'.join(selector.css('.noveContent p ::text').getall())

3.files = os.listdir(filename)  # 获取文件夹下所有的小视频

with zipfile.ZipFile(filename+title+'.mp4',mode='w') as z：

        z.write(content)

 4.print(response.text)后,在下方，按住ctrl+f键可以搜索如下图

 点击：

点击.*可以用正则表达式，如果用正则表达解析数据，可以在这里尝试，可以看见匹配的数量，然后再写入代码中。

5.列表中嵌套元祖，如何快速找出元祖中的元素。

如：a=[(1,'as'),(2,'ajsh'),(781,'ajhsasa')]

用第二张图的方法，可以直接取出元素

6.遇到参数很多，加冒号很麻烦怎么办，如下图：

 

 首先选中代码，按ctrl+r出现下图：

点击·*进入正则，写入下图： 

代码是： (.*?): (.*)

'$1': '$2',

点击replaceall

结果展现：

二、视频类爬虫总结

爬取短视频类型的数据一般步骤：

1.点击media,刷新，播放一个视频，会刷新一个包，点击发现是播放视频的包，

2.复制这个包url中的关键字，在搜索框中进行搜索，看有哪些包有关键字。

3.搜索后找到有play_url的包

4.看这个包的url,观察有什么规律

5.以糖豆视频为例，发现这个包的url有参数vid

6.查找参数在哪个位置

7.在xhr 动态加载中找到包，发现其中json数据中有vid的数据。

8.访问xhr 中的包获取vid数据，利用获取到的vid数据拼凑含有play_url的包的链接，访问这个链接，获取play_url

9.多页爬取，观察xhr 包的链接有什么规律，发现参数为页数，即可多页爬取

注意：访问视频play_url时，爬取短视频类型，headers中把user-agent,cookie,refer全部加上

爬取长视频的一般步骤：长视频通常以m3u8的格式存在，找包的过程与上述一致，找的是ts格式的文件，但一般存在于xhr下面。小技巧，若通过参数找不到就直接搜索m3u8,说不定可以找到终极目标是找到一个包能返回下面的界面

不同的网站，这个包找的地方不同，A站中搜索就可以找到，腾讯视频则先要找到一个含m3u8的包，从里面提取出一个链接，再访问这个链接，得到上面的界面。 

下载时，要下载为ts的视频格式，多的一步是将文件合成。

可以将多个ts包合成一个下载代码：

  with open('斗罗大陆.mp4',mode='ab') as f:f.write(ts_content)

三、打包exe与制表库的使用

 1.制表模块使用prettytable

from prettytable import PrettyTable
tb = PrettyTable()      # 实例化一个对象
tb.field_names = ['序号','歌手','歌名'] # 设置字段名
tb.add_row([num,singer,song_name]) # 写入表格行

 

2. 将python文件打包成exe文件

首先，在项目中下载pyinstaller包pip install pyinstaller

然后在需要打包的python文件目录路径下输入cmd

在终端输入:pyinstaller -F 文件名.py

成功后会出现dit的文件夹，里面有exe的文件