Go to file

wkyuu c372046c7b update		3 years ago
README.md	update	3 years ago
downloader.py	update	3 years ago
historyPrice.py	历史价格	3 years ago
middlewares.py	放弃队列线程了	3 years ago
milkSpider.py	update via git	3 years ago
pipelines.py	添加历史内容爬取依赖	3 years ago
settings.py	历史价格	3 years ago

README.md

Unescape Escape

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
- 使用python终端绘图，需要解决如何选取想要展示的条例
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)

Requests

经典老碟

import requests

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

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

1，在爬取的视频评论很多的情况下，效率太低，且频次太高了容易被ban。应该设定一下，比如说只爬几页，或者只爬热门评论。而且。。哔哩哔哩的评论区是其他加载的，本爬虫在requests.get的时候，会多次爬取，太危险了。为了一条数据就多次访问，被ban风险更高了。可以改成，对单个页面就取一次网页源代码，但是这个需要真实浏览器来访问才能拿到（selenium框架），然后对这个源代码进行数据提取操作，这样可以比较好地减少爬虫访问量，降低被ban的风险。