爬虫 自动化工具-mongo-多线程爬虫

一、selenium框架

1、selenium介绍

# 介绍: 
1.selenium是一个web自动化测试用的框架. 程序员可以通过代码实现对浏览器的控制, 
比如打开网页, 点 击网页中的元素, 实现鼠标滚动等操作. 
2.它支持多款浏览器, 如谷歌浏览器, 火狐浏览器等等, 当然也支持无头浏览器. 
# 目的: 
在爬取数据的过程中, 经常遇到动态数据加载, 一般动态数据加载有两种,一种通过ajax请求加载数据, 另 一种通过js代码加载动态数据. selenium可以模拟人操作真实浏览器, 获取加载完成的页面数据ajax:url有规律且未加密, 直接构建url连接请求 url加密过无法破解规律 --> selenium 
js动态数据加载 --> selenium

2、selenium安装

三要素: 浏览器, 驱动程序, selenium框架 浏览器: 推荐谷歌浏览器, 标准稳定版本 驱动程序:http://chromedriver.storage.googleapis.com/index.html pip install selenium # 测试: 
from selenium import webdriver 
# 将驱动放在脚本所在的文件夹 
browser = webdriver.Chrome('./chromedriver.exe') 
browser.get('https://www.baidu.com')

3、selenium常用操作

# 实例化浏览器对象: 
from selenium import webdriver 
browser = webdriver.Chrome('driverpath') # 发送get请求: 
browser.get('https://www.baidu.com')
browser.get('https://image.baidu.com')
# 获取网页的数据: browser.page_source ---> str类型 
# 获取页面元素: 
find_element_by_id:根据元素的id 
find_element_by_name:根据元素的name属性 find_element_by_xpath:根据xpath表达式 find_element_by_class_name:根据class的值 find_element_by_css_selector:根据css选择器# 节点交互操作: 
click(): 点击 
send_keys(): 输入内容 
clear(): 清空操作 
execute_script(js): 执行指定的js代码 
# JS代码: window.scrollTo(0, document.body.scrollHeight)可以模拟鼠标滚动一屏高度 
quit(): 退出浏览器 # frame 
# 若爬取一个页面，需观察如果有两个HTML（一个父HTML，一个子HTML），所需内容在子HTML中，则需要switch_to.frame('frameid') 转至子页面继续操作switch_to.frame('frameid')            

4、用自动化模拟QQ，微博，登录

from selenium import webdriver
import time
# 实例化浏览器对象
browser = webdriver.Chrome('./chromedriver.exe')
# 打开qq空间登陆页面
browser.get('https://qzone.qq.com/')
time.sleep(1)
# 转至frame子页面
browser.switch_to.frame('login_frame')
# 获取密码登陆选项并点击
a_tag = browser.find_element_by_id('switcher_plogin')
a_tag.click()
time.sleep(1)
# 获取账号输入框并输入账号
browser.find_element_by_id('u').clear()
user = browser.find_element_by_id('u')
user.send_keys('1816668038')
time.sleep(1)
# 获取密码输入框并输入密码
browser.find_element_by_id('p').clear()
pwd = browser.find_element_by_id('p')
pwd.send_keys('1971628197192liu')
time.sleep(1)
# 获取登陆按钮并单击
button = browser.find_element_by_id('login_button')
button.click()'''
微博模拟登陆
'''''
# import requests,time
# from selenium import webdriver
# broeser = webdriver.Chrome('./chromedriver.exe')
# broeser.get('https://weibo.com/login.php')
#
# input_tag = broeser.find_element_by_id('loginname')
# input_tag.clear()
# input_tag.send_keys('15135544556')
# time.sleep(3)
# input_tag_pwd = broeser.find_element_by_xpath('//div[@class="info_list password"]/div[@class="input_wrap"]/input')
# input_tag_pwd.clear()
# input_tag_pwd.send_keys('123456789liu')
# time.sleep(3)
# button_tag = broeser.find_element_by_xpath('//div[@class="W_login_form"]/div[@class="info_list login_btn"]/a')
# button_tag.click()

5、图片懒加载

'''
网址 http://sc.chinaz.com/tupian/   站长素材
图片懒加载
'''''import requests
from lxml import etree
url = 'http://sc.chinaz.com/tupian/bingxueshijie.html'
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36'
}
res = requests.get(url=url,headers=headers)
tree = etree.HTML(res.text)
#src2的位置，在必要的时候可以把值赋给src----懒加载核心
ret = tree.xpath('//div[@id="container"]/div/div/a/img/@src2')for i in ret:comment = requests.get(url=i,headers=headers).contentname = i.split('/')[-1]with open('./image/%s'% name,'wb') as f:f.write(comment)

二、Mongo数据库

1、mongo的安装

(将安装目录下的bin目录添加到系统环境变量中)
# mongo的配置: 
1.创建数据库文件及日志文件目录, 并将目录写入配置文件 
2.在系统终端执行以下命令: mongod --bind_ip 127.0.0.1 --logpath "D:\Professional\MongoDB\log\mongodb.log" - -logappend --dbpath "D:\Professional\MongoDB\db" --port 27017 --serviceName "MongoDB" --serviceDisplayName "MongoDB" --install 3.将MongoDB服务设为开机自启

2、mongo数据库操作

//常用操作: 
// 1.查看数据库 
show dbs 
// 2.创建并使用数据库 
use tst 
// 3.查看当前工作的数据库 
db
// 4.创建集合并插入一条数据 
db.goods.insert({"name":"辣条", "price":0.5}) 
// 5.查看所有表 
show tables 
// 6.查询表中所有数据 
db.goods.find() 
// 7.删除表操作
db.goods.drop() 
// 8.删除数据库 
db.dropDatabase()
--------------------------------------------------------------------------# 增加数据操作: 
db.tablename.insert({dict}) 
# 示例: 增加数据操作: 
db.goods.insert({"name":"辣条", "price":0.5}) 
db.goods.insert({"name":"辣条", "price":1}) 
db.goods.insert({"name":"干脆面", "price":0.5}) db.goods.insertOne({"name":"单身狗粮", "price":4.5}) db.goods.insertMany([{"name":"小洋人", "price":3.5}, {"name":"麦香鸡块", "price":5.5}])----------------------------------------------------------------------------
# 查询数据操作:
//1、查看数据库   show dbs只能查看有数据的数据库
show dbs//2、创建并使用数据库
use a1903//3、查看当前正在工作的数据库
db//4、插入数据
db.student.insert({'name':'胡歌','age':30})db.student.insertOne([{'name':'胡歌'}])
db.student.insertMany([{'name':'鹿晗','age':27},{'name':'关晓彤','age':23}])
db.student.insertMany([{'name':'刘国鑫','age':22},{'name':'庞明哲','age':20}])
//5、查询表中数据
db.student.find()
db.student.find().limit(3)// 按条件查询
// 1.等值查询
db.student.find({'name':'晓彤'})// 2.非等值查询：大于$gt(great than)，小于$lt(little than)，大于等于$gte(great than equal)，小于等于$lte(little than equal)，不等于$ne
db.student.find({age:{$gt:23}})
db.student.find({'age':{$lt:23}})
db.student.find({'age':{$ne:21}})// 3. and 与 or 
db.student.find({'name':'晓彤','age':21})
db.student.find({$or[{'name':'晓彤'},{'age':27}]})// and  a 与 b之间
db.student.find({'age':{$gt:20},'age':{$lte:27}})
db.student.find({'age':{$gt:20,$lte:27}})db.student.find({$or:[{'age':{$lt:23}},{'age':{$gt:25}}]})// 更新数据操作
db.student.update({'name':'晓彤'},{$set{'age':18}})//6、查看表
show tables//7、删除表
db.student.drop()//8、删除库
db.dropDatabase()//9、指定删除
db.student.remove({'name':''})
-----------------------------------------------------------------------------
# 更新数据操作: 
db.table.update({定位字典}, {指定修改的键值}) 
# 示例:更新数据操作: db.goods.update({"price":0.5},{$set:{"price":5}}) # 参数中的第一个字典用于定位要修改的数据 # 参数中的第二个字典是指定要更新已定位的数据 # 第二个参数中的字典是指定要将哪个字段的修改为什么
----------------------------------------------------------------------------
# 删除数据操作: 
db.tablename.remove({定位字典})
# 示例:删除数据操作: 
db.goods.remove({"price":5})

3、Python与Mongo交互

# 导入模块 如果没安装先安装  pip install pymongo
import pymongo 
# 连接MongoDB数据库 
conn = pymongo.MongoClient('localhost', 27017) 
# 创建库或连接数据库
db = conn.goods 
# 创建表或连接表
table = db.snacks 
# 数据操作: 插入数据 
table.insert(dict) 
table.insert_one(dict)  ******************在py文件中看具体清空使用
table.insert_many([dict1, dict2, dict3]) 
# 数据操作: 查询数据 
table.find_one({dict}) 
# 返回一个字典形式数据 
table.find() 
# 返回一个mongo对象, 需要使用for循环遍历取值 
table.find({dict}) # 同上

三、多线程爬虫

1、并发，并行的理解

# 并发：同一时间段同时运行
# 并行：同一时刻同时运行
# 时间片轮转法：10个视屏不间断播放，是并发运行，但给人的错觉是并行
# 高IO密集(比如在一个刚运行的代码前就有设置的)  阻塞，cup算法密集

2、实现多线程爬虫

***用多线程爬虫，最重要的就是传参，获取数据，思路********
import threading,requests
# 导入多线程锁机制
from threading import Lock
# 导入线程队列
from queue import Queue
from lxml import etree
import pymongo
# 爬虫类,负责采集数据的
class CrawThread(threading.Thread):# 初始化init方法，接收参数def __init__(self,name,pageQueue,dataQueue):super().__init__()self.name = nameself.pageQueue = pageQueueself.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36'}self.dataQueue = dataQueue# 执行run方法，在def函数调用时执行def run(self):# 爬取的页数不确定，格式化输出base_url = 'https://www.xiaohua.com/duanzi?page=%s'while 1:try:print('开始url')# 传参时要抓取几页的数据已准备好直接get获取，block为False用try捕获异常抓取结束，就终止循环page = self.pageQueue.get(block=False)# 将页码拼接url = base_url % pageres = requests.get(url=url,headers=self.headers)self.dataQueue.put(res.text)print('URL完成')except:break# 数据解析类
class Parse(threading.Thread):def __init__(self,name,dataQueue,look):super().__init__()self.name = nameself.dataQueue = dataQueueself.look = lookdef run(self):while 1:try:html = self.dataQueue.get(block=False)print('正在解析')# 把获取的HTML的文本放在下一个函数的里进行操作self.parserver(html)print('解析完毕')except:breakdef parserver(self,html):# 解析tree = etree.HTML(html)div_list = tree.xpath('//div[@class="one-cont"]')for div in div_list:item = {}author = div.xpath('./div/div/a/i/text()')item['author'] = author[0]# 上锁with self.look:self.save(item)def save(self,item):# 连接MongoDB数据库conn = pymongo.MongoClient('localhost',27017)db = conn.XIAOHUAtable = db.xhtable.insert_one(item)def main():# 存放URl----实例化队列对象pageQueue = Queue()for j in range(1,11):# put将所需要的数据存入pageQueue.put(j)#存放脏数据dataQueue = Queue()crawlist = ['爬虫1号','爬虫2号','爬虫3号']# join等待进程以防有一个进程死掉for i in crawlist:c = CrawThread(i,pageQueue,dataQueue)c.start()c.join()# 实例化机制锁对象look = Lock()jiexi = ['解析1号','解析2号','解析3号',]for var2 in jiexi:cc = Parse(var2,dataQueue,look)cc.start()# 等待其他线程执行，以防提早结束其他线程死掉cc.join()if __name__ == '__main__':main()

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！