milkSpider

selenium + redis + 分布式 + xpath + etree + 可视化

任务：爬取京东网站上在售的各类牛奶品类的商品名称，简介，价格相关，评论区相关。并给出相应的价格波动趋势，精选好评，用python的可视化展示。计划任务自动爬取。

TODO

• 初始化 selenium 框架，编写好相应的爬取规则，初步实现小规模爬取内容
• 从历史价格网页爬取历史价格
  • 同时/后期追加 存入csv 价格趋势，涨跌幅。比对，给出价格波动趋势
• 加入Redis分布式设计
• 数据可视化
  • 预计两种模式（终端交互）：随机或取评价数为索引目标，给出取出的item的具体信息，例如价格预测。
    • 选择目录，友好的选择交互体验
    • 选择抽取item模式（热评就列出前五条，随机就随机取一条）
• python打包exe，需要图形化界面？

project

项目目录

Selesium

downloader.py 下载器，即爬取内容

middlewares.py 配置分布式，线程，redis相关内容

pipelines.py 处理得到的数据，存储到相应文件

milkSpider.py 主文件，配置爬取设置，自动化等

historyPrice.py 爬取历史价格

selenium

配置下载器，利用selenium模拟浏览器正常浏览行为

# -*- coding: utf-8 -*-
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from lxml import etree

def getsource(url):
    init = Options()

    init.add_argument('--no-sandbox')
    init.add_argument('--headless')
    init.add_argument('--disable-gpu')
    init.add_argument("disable-cache")
    init.add_argument('disable-infobars')
    init.add_argument('log-level=3')    # INFO = 0 WARNING = 1 LOG_ERROR = 2 LOG_FATAL = 3 default is 0
    init.add_experimental_option("excludeSwitches",['enable-automation','enable-logging'])

    driver = webdriver.Chrome(chrome_options = init)
    driver.implicitly_wait(10)
    driver.get(url)

    response = etree.HTML(driver.page_source)
    response = etree.tostring(response, encoding = "utf-8", pretty_print = True, method = "html")
    response = response.decode('utf-8')

    driver.close()
    return response

安装，初始化

GIT

# 安装git
winget install --id Git.Git -e --source winget
## 或者官网下载
https://git-scm.com/download/win
# 在powershell中使用
vim $PROFILE
## 修改相应的位置为 GITPATH = ~/Git/cmd/git.exe
## SetAlias git $GITPATH

git init
git remote add origin https://bdgit.educoder.net/mf942lkca/milkSpider.git
git pull https://bdgit.educoder.net/mf942lkca/milkSpider.git
git remote -v	# 查看远程仓库信息
touch .gitignore	# 创建忽略上传控制文件

git add *.py	# 添加要push的本地内容到一个本地临时仓库
git commit -m "update"	# 先添加一个commit
git push -u origin master	# push, 出错就 -f(注意会造成不可回避的损失)

selenium

安装

# 安装selenium
pip3 install selenium

# 查看配置信息
pip how selenium

调用时导入的内容

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
# chrome_options.add_argument('lang=zh_CN.UTF-8')	# 设置中文
chrome_options.add_argument('--headless')  # 无界面
chrome_options.add_argument('--no-sandbox')  # 解决DevToolsActivePort文件不存在报错问题
chrome_options.add_argument('--disable-gpu')   # 禁用GPU硬件加速。如果软件渲染器没有就位，则GPU进程将不会启动。
chrome_options.add_argument('--disable-dev-shm-usage')
chrome_options.add_argument('--window-size=1920,1080')  # 设置当前窗口的宽度和高度
driver = webdriver.Chrome('chromedriver',chrome_options=chrome_options)
#driver = webdriver.Chrome()
url = ""
driver.get(url)
print(driver.page_source)
driver.quit()

一些备忘录

text = """this is test content;这是测试内容。"""
html1 = etree.HTML(text)
# html1 = etree.fromstring(text) # 同HTML()

# 方法1 使用html.unescape()
res = etree.tostring(html1)
print(html.unescape(res.decode('utf-8')))

# 方法2 使用uft-8编码
res = etree.tostring(html1,encoding="utf-8") # 这种方法对标签用的中文属性无效
print(res.decode('utf-8'))

# 方法1 使用open读取文档做字符串处理
with open('test.html') as f:
    html1 = etree.HTML(f.read())
# 之后代码同 处理字符串 的两种方法

# 方法2 parse读取文档时指定编码方式
html1 = etree.parse('test.html',etree.HTMLParser(encoding='utf-8'))
# 这里要指定正确（与所读取文档相应的编码）的编码方式，不然后面会出现乱码
# 之后代码同 处理字符串 的两种方法

请求头，cookie等

# 访问 https://httpbin.org/get?show_env=1 可以返回当前浏览器的请求信息
options.add_argument('lang=zh_CN.UTF-8')

# 贴一个用json模块保存cookies
def getCookies():
    with open('cookies.json', 'r', encoding='utf-8') as fd:
            listCookies = json.loads(fd.read())
    for cookie in listCookies:
        cookies = {
            'domain': cookie['domain'],
            'httpOnly': cookie['httpOnly'],
            'name':cookie['name'],
            'path':'/',
            'secure': cookie['secure'],
            'value':cookie['value'],
        }
        print(cookies)

def saveCookies(driver):
    jsonCookies = json.dumps(driver.get_cookies())
    with open('cookies.json', 'w', encoding='utf-8') as fd:
        fd.write(jsonCookies)

ChromeDriver

下载 ChromeDriver 放到当前目录就行(如果是放在 python 根目录可以不用在实例化 selenium 时指定chromedriver 路径)

Matplotlib

Requests

经典老碟

import requests

线程

多线程，手动版

import threading
import time

threadlines = 16    # 默认调用16个线程，不要超过20
flag = 1    # 判断主线程

def printTime(name):
    print("name", time.ctime())
    delay(4)
	print("name", time.ctime())
    
threads = []
for thread in range(threadlines):
    name = "thread " + str(thread)
    athread = printTime(name)
    athread.start()
    threads.append(athread)

for thread in threads:	# 加入阻塞，在子线程没完全结束前，保证主线程不断
    thread.join()

线程锁

import threading
import time

threadLock = threading.Lock()
threadlines = 16    # 默认调用16个线程，不要超过20
flag = 1    # 判断主线程

def printTime(name):
    print("name", time.ctime())
    delay(4)
	print("newname", time.ctime())
    newtime = str(time.ctime())
    threadLock.acquire()	# 获得对txt文件的锁（独享操作权限）
    write2txt(newname)
    threadLock.release()	# 释放锁（把独享权限让出）

def write2txt(name):
    with open('test.txt', 'a+', encoding = 'utf-8') as fd:
        fd.write(name)
    
threads = []
for thread in range(4):
    name = "thread " + str(thread)
    athread = printTime(name)
    athread.start()
    threads.append(athread)

for thread in threads:	# 加入阻塞，在子线程没完全结束前，保证主线程不断
    thread.join()

线程池，建议用

from concurrent.futures import ThreadPoolExecutor
import time

def printTime(name):
    print("name", time.ctime())
    delay(4)
	print("newname", time.ctime())
    
with ThreadPoolExecutor(max_workers = 10) as thread:
    for count in range(10):
        name = "thread" + str(count)
        task = thread.submit(printTime, (name))	# 传入函数和对应需要的参数
        print(task.done())	# 查看该线程是否完成，bool
        print(task.result())	# 返回上面 printTime 函数的返回值

Redis

# 安装 redis 模块
## pip install redis

# 实例对象
redisconn = redis.Redis(host = '127.0.0.1', port = '6379', password = 'x', db = 0)

# redis 取出的结果默认是字节，我们可以设定 decode_responses=True 改成字符串

备注

• 没有历史查询

在没有使用线程之前，完整跑完五个种类共(30 x 10 x 5 = 1500)条数据，用时365s

使用线程数为5的情况下，完整跑完五个种类共 1500条数据，用时130s

使用线程数为16的情况下，完整跑完五个种类共 1500条数据，用时80s

• 加了历史查询

在不使用线程池的情况下，完整跑完 1500条数据，用时很久

在使用线程池的情况下，完整跑完 1500条数据，用时544秒

参考链接

1，selenium+python自动化100-centos上搭建selenium启动chrome浏览器headless无界面模式

2，解决：'chromedriver' executable needs to be in PATH问题

3，Python selenium-chrome禁用打印日志输出

4，Python将list逐行读入到csv文件中

5，Git中使用.gitignore忽略文件的推送

6，python 3 实现定义跨模块的全局变量和使用

7，Python 多线程

8，Python redis 使用介绍

9，python + redis 实现 分布式队列任务

10，深入理解Python线程中join()函数

11，如何理解Python装饰器？- 知乎

12，【自动化】selenium设置请求头

13，python selenium 保存cookie 读取cookie

14，Selenium：添加Cookie的方法

15，requests库使用方法汇总笔记

16，爬虫：常见的HTTP错误代码及错误原因

17，Python字符串操作之字符串分割与组合

18，python线程池

19，