您的位置: 首页  >  IT文章  >  python web 2 思路整理 过程：请求豆瓣电影 top 250 url='https://movie.douban.com/' 结果：得到网页的html 源码 （保存为hml文件 就可以用浏览器打开）

python web 2 思路整理 过程：请求豆瓣电影 top 250 url='https://movie.douban.com/' 结果：得到网页的html 源码 （保存为hml文件 就可以用浏览器打开）

分类: IT文章 • 2022-08-31 23:09:13

过程：请求豆瓣电影 top 250 url='https://movie.douban.com/'

结果：得到网页的html 源码 （保存为hml文件 就可以用浏览器打开）

 提示：

Location 

WEB 服务器告诉浏览器，试图访问的对象已经被移到别的位置了，到该头部指定的位置去取。

例如：Location：http://i0.sinaimg.cn/dy/deco/2008/0528/sinahome_0803_ws_005_text_0.gif

第一步：得到指定URL，解析url，这是准备工作

　　使用函数：parsed_url() 

　　为什么解析？ 我们需要的是 它的协议--http/https 

　　　　　　　　　　　　　　  他的host port path  （如下图 ）

python web 2 思路整理 过程：请求豆瓣电影 top 250 url='https://movie.douban.com/' 结果：得到网页的html 源码 （保存为hml文件 就可以用浏览器打开）

ok 原因我们明白了 那我们怎么实现的

一会儿有空再说 我们需要接着验证其他步骤 去理解这个过程，这个更重要

第二步：获取 URL 这才进入主题 这个主题分几个步骤完成

　　首先函数get(url)从parsed_url() 中获取到几个解析完成的关键值：protocol, host, port, path

　  执行步骤A

　　　　函数 socket_by_protocol(protocol)，根据协议返回一个socket实例，什么事socket实例

　　　　（Socket又称"套接字"，应用程序通常通过"套接字"向网络发出请求或者应答网络请求）

　　　　由socket的作用 认为此条程序在内容是进行http 和 https的判别（因为HTTPS 协议需要使用 ssl.wrap_socket 包装一下原始的 socket）

　　　　 实质上是为网络访问奠定基础即创建socket

　       　s.connect((host, port)): connect()用于建立与指定socket的连接。

　　执行步骤B(强行分出步骤hhhh)

　　 request = 'GET {} HTTP/1.1 host: {} Connection: close '.format(path, host)   构造一个http 请求

       （其中Connection 头（header） 决定当前的事务完成后，是否会关闭网络连接。如果该值是“keep-alive”，网络连接就是持久的，不会关闭，

　　 使得对同一个服务器的请求可以继续在该连接上完成。）

　　执行步骤C

　　encoding = 'utf-8'

　　s.send(request.encode(encoding)) 

        浏览器和服务器之间发送的信息是以二进制bytes格式存在的，所以发送前要先将str格式的request转化为bytes

　　执行步骤D　　

　　response_by_socket(s)

　　response.decode(encoding)

　　s就是之前构造的socket实例，发出访问请求后，接收所有服务器返回的信息，转换为str

　　(python3默认编码为unicode，由str类型进行表示。二进制数据使用byte类型表示，所以不会将str和byte混在一起。在实际应用中我们经常需要将两者进行互转)

　　执行步骤E 

　　parsed_response(r)

　　对服务器传回的信息进行解析（以下为传回的信息，通过 可对内容成功分解，理出条理，比较笨，但第一次这样解析过返回的源码，感觉瞬间明白了网页的一些内容）

　　b'HTTP/1.1 301 Moved Permanently

　　 Date: Sat, 27 Oct 2018 14:31:33GMT

　　Content-Type: text/html

　　 Transfer-Encoding: chunked

　　Connection:close

　　 Location: https://movie.douban.com/top250

　　Server: dae

　　 X-Content-Type-Options:nosniff

　　 b2r <html>

　　 <head><title>301 Moved Permanently</title></head>

　　<body bgcolor="white">

　　 <center><h1>301 Moved Permanently</h1></center>

　　<hr><center>nginx</center>

　　 </body>

　　</html> 0

　　去掉 后可清楚得到许多信息

　　

 HTTP/1.1 301 Moved Permanently
        Date: Sun, 05 Jun 2016 12:37:55 GMT
        Content-Type: text/html
        Content-Length: 178
        Connection: keep-alive
        Keep-Alive: timeout=30
        Location: https://movie.douban.com/top250
        Server: dae
        X-Content-Type-Options: nosniff

        <html>
        <head><title>301 Moved Permanently</title></head>
        <body bgcolor="white">
        <center><h1>301 Moved Permanently</h1></center>
        <hr><center>nginx</center>
        </body>
        </html>

　　如何解析 下面代码实现

　　

header, body = r.split('

', 1)
    h = header.split('
')
    status_code = h[0].split()[1]
    status_code = int(status_code)

    headers = {}
    for line in h[1:]:
        k, v = line.split(':')
        headers[k] = v

这个代码我们也暂时不去关心它的正确与否，接着往下分析

　　解析出

　　　　状态码 int

　　　　headers dict

　　　　body str

　　执行步骤F

　　遇到重定向问题，所谓重定向(Redirect)就是通过各种方法（本文提到的为3种）将各种网络请求重新转到其它位置（URL）。每个网站主页是网站资源的入口，当重定向发生在网站主页时，如果不能正确处理就很有可能会错失这整个网站的内容。

status_code, headers, body = parsed_response(r)
    if status_code == 301:
        url = headers['Location']
        return get(url)
    return status_code, headers, body

这个属于服务器端重定向，在服务器端完成，一般来说爬虫可以自适应，是不需要特别处理的，如响应代码301（永久重定向）、302（暂时重定向）等。具体来说，可以通过requests请求得到的response对象中的url、status_code两个属性来判断。利用上图代码进行处理

（当status_code为301、302或其他代表重定向的代码时，表示原请求被重定向；当response对象的url属性与发送请求时的链接不一致时，也说明了原请求被重定向且已经自动处理。）

大概理解了，就是你得通过提示找到资源存放的真正地点，不知道是否完全正确

 

接下来

又到了我最喜欢的debug环节了 哈哈哈哈哈哈（别理我，已经疯掉）

　　首先自己运行时出现了很多莫名奇妙的的错误，都指向测试代码，于是首先删掉了所有测试代码

　　可疑问为什么删掉了测试代码，发现不输出任何结果，明明我在主函数中输出了很多值

　　一个个设置输出检查，直到来到执行的第一句，函数根本没有执行啊喂！！

　　立马参考源代码，发现自己删测试函数的时候，把执行主函数的语句删掉了，，

　　我是用函数的方法写的，mian来执行这些函数，而谁来执行整个文件呢

　　（因为python不像其它函数一样是必须从 main 进入的，这个mian 其实相当于一个普通滴函数），所以如下

python web 2 思路整理 过程：请求豆瓣电影 top 250 url='https://movie.douban.com/' 结果：得到网页的html 源码 （保存为hml文件 就可以用浏览器打开）它来执行我写的这个.py文件

暂时是这么理解的，但这个奇怪的函数我查了资料

def cs():
    print('已打开cs！')
 
if __name__ == '__main__':
    print('cs主函数！')

如图 将原本单独的print（‘cs主函数！’）之前加入一句if_name_ == '_main_':

就会使另一文件调用它时不执行print（‘cs主函数！’）只执行 print('已打开cs！')

这样既可以让“模块”文件运行，也可以被其他模块引入，而且不会执行函数2次。这才是关键。

总结一下：

如果我们是直接执行某个.py文件的时候，该文件中那么”__name__ == '__main__'“是True,

但是我们如果从另外一个.py文件通过import导入该文件的时候，这时__name__的值就是我们这个py文件的名字而不是__main__。

这个功能还有一个用处：调试代码的时候，在”if __name__ == '__main__'“中加入一些我们的调试代码，我们可以让外部模块调用的时候不执行我们的调试代码，但是如果我们想排查问题的时候，直接执行该模块文件，调试代码能够正常运行！
---------------------
（总结转自：https://blog.csdn.net/qq_27231343/article/details/51184389 ）

函数可以执行后

最终又改掉了两个错误：

 headers = {}
    for line in h[1:]:
        k, v = line.split(': ')#自己写的时候‘： ’ 冒号后少打一个空格 一直报too many values to unpack 的错误
        headers[k] = v
    return status_code, headers, body
 if status_code == 301:
        url = headers['Location']#自己重新打发现L时大写，自己一直是小写，，，汗
        return get(url)

都是很小的错误，但要老命了

最后附上成功的爬到的源码：单独放文章了，有点多，，，

 搞定，喜大普奔，终于结束了，junkdog  gogogog!

相关推荐