建站四部曲之Python爬虫+数据准备篇(selenium)

时间 2019-11-07

标签建站四部曲 python 爬虫数据准备 selenium 栏目 Python 繁體版

原文原文链接

本系列分为四篇：

零、前言

本系列为了总结一下手上的知识，致敬个人2018
本篇的重点在于：使用python爬取数据写入文件,使用okhttp3访问后台接口插入数据
本篇总结的技术点：Python数据抓取、okhttp3访问api接口插入数据库、java文件的简单操做
Python是我在学完JavaScript的ES6以后学的,三个字---这么像
因而乎，花了三天看看语法、算算向量、作作爬虫、数数花生后也就没在深究了css

1、简书网页分析：

1.问题所在

默认加载9个条目，滚到底再加载9个条目
如今问题在于：直接用连接请求,只能加载9条，怎么能让它本身滚动  
是问题确定有解决方案，百度下呗，满目的selenium,好吧，就决定是你了
复制代码

2.网页标签分析：

须要的数据在note-list的ul中，其中一个li以下：
须要的数据有：content的div下的a标签：href和内容
abstract的p的内容，time的span下的：data-shared-athtml

<li id="note-38135290" data-note-id="38135290" class="have-img">
    <a class="wrap-img" href="/p/0baa4b4b81f4" target="_blank">
      <img class=" img-blur-done" src="//upload-images.jianshu.io/upload_images/9414344-c7c823aafe6938de.png?imageMogr2/auto-orient/strip|imageView2/1/w/300/h/240" alt="120">
    </a>
  <div class="content">
    <a class="title" target="_blank" href="/p/0baa4b4b81f4">建站三部曲以后端接口篇（SpringBoot+上线）</a>
    <p class="abstract">
      本系列分为三篇： 建站三部曲以后端接口篇（SpringBoot+上线） 建站三部曲以前端显示篇（React+上线） 建站三部曲之移动端篇（And...
    </p>
    <div class="meta">
      <a target="_blank" href="/p/0baa4b4b81f4">
        <i class="iconfont ic-list-read"></i> 3
</a>        <a target="_blank" href="/p/0baa4b4b81f4#comments">
          <i class="iconfont ic-list-comments"></i> 0
</a>      <span><i class="iconfont ic-list-like"></i> 0</span>
      <span class="time" data-shared-at="2018-12-11T13:16:57+08:00">43分钟前</span>
复制代码

2、二十分钟入手selenium

1.添加依赖：

pip install selenium
复制代码

2.下载浏览器插件(我是用Chrome,下载地址：)

注意对应版本下载前端

3.使用：

from selenium import webdriver #导包

driver = webdriver.Chrome("I:\Python\chromedriver.exe")#建立driver,参数为插件的路径
driver.get("https://www.jianshu.com/u/e4e52c116681")#打开网页
driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')#下滑
复制代码

4.间隔时间任务：

问题又来了，貌似只能执行一次,那就用轮训任务吧java

TimeTask.py

from datetime import datetime, timedelta

class TimeTask:
    def __init__(self):
        self.count = 0  # 成员变量（实例变量）

    def runTask(self, func, day=0, hour=0, min=0, second=1, count=20):
        now = datetime.now()
        period = timedelta(days=day, hours=hour, minutes=min, seconds=second)
        next_time = now + period
        strnext_time = next_time.strftime('%Y-%m-%d %H:%M:%S')
        while self.count < count:
            # Get system current time
            iter_now = datetime.now()
            iter_now_time = iter_now.strftime('%Y-%m-%d %H:%M:%S')
            if str(iter_now_time) == str(strnext_time):
                func()
                self.count += 1
                iter_time = iter_now + period
                strnext_time = iter_time.strftime('%Y-%m-%d %H:%M:%S')
                continue
复制代码

getHtml.py

from selenium import webdriver
from utils.TimeTask import TimeTask

def fetch():
    driver.execute_script('window.scrollTo(0, document.body.scrollHeight)')

if __name__ == '__main__':
    driver = webdriver.Chrome("I:\Python\chromedriver.exe")
    driver.get("https://www.jianshu.com/u/e4e52c116681")
    timeTask = TimeTask()
    timeTask.runTask(fetch, 0, 0, 0, 1, 5)
复制代码

3、获取须要的数据：

1.获取名称

selenium的强大之处在于能够查询dom结构，哈哈，css没白学
须要的数据都在content类下,选择器为：.note-list li .content 使用find_elements_by_css_selector可使用css选择器获取一个listpython

content = driver.find_elements_by_css_selector('.note-list li .content')

#遍历content就好了
for i in content:
    a = i.find_element_by_css_selector(' a.title') #获取a标签
    print(a.text) #打印
复制代码

白花花的数据就到手里 react

2.接下来同样的思路

for i in content:
    a = i.find_element_by_css_selector(' a.title')
    info = i.find_element_by_css_selector(' p.abstract')
    time = i.find_element_by_css_selector('span.time')
    href = a.get_attribute('href')
    print(a.text)
    print(href)
    print(info.text)
    print(time.get_attribute("data-shared-at"))
复制代码

3.将字符串写入文件中

将数据稍微装饰一下，以&&&分割每一个条目，以```分割每一个字段android

str = ''
for i in content:
    a = i.find_element_by_css_selector(' a.title')
    info = i.find_element_by_css_selector(' p.abstract')
    time = i.find_element_by_css_selector('span.time')
    href = a.get_attribute('href')
    str += a.text + "```"
    str += href + "```"
    str += info.text + "```"
    str += time.get_attribute("data-shared-at").split('T')[0] + "```"
    str += "&&&"
print(str)
name = 'I:\\Python\\android_data_fetcher\\data\\data.txt'
dirs = os.path.split(name)[0]
is_exist = os.path.exists(dirs)
if not is_exist:
    os.makedirs(dirs)
f = open(name, "w")
f.write(str)  # 存储到文件中
f.close()
复制代码

Python任务完成，下一个交接棒就交给java了
想一想如今能干吗了——任意一我的的简书主页，点一下均可以自动爬取出文章信息
这对整理本身的文章颇有帮助，若是靠手动一篇一篇拷贝，想一想都要崩溃git

2、使用java访问接口将数据插入服务器

1.文件的读取：

/**
 * 读取文件
 *
 * @param in 文件
 * @param  charSet 读取的编码
 * @return 文件内容
 */
private static String readFile(File in,String charSet) {
    if (!in.exists() && in.isDirectory()) {
        return "";
    }
    InputStreamReader fr = null;
    try {
        fr = new InputStreamReader(new FileInputStream(in), charSet)
        //字符数组循环读取
        char[] buf = new char[1024];
        int len = 0;
        StringBuilder sb = new StringBuilder();
        while ((len = fr.read(buf)) != -1) {
            sb.append(new String(buf, 0, len));
        }
        return sb.toString();
    } catch (Exception e) {
        e.printStackTrace();
        return "";
    } finally {
        try {
            if (fr != null) {
                fr.close();
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}
复制代码

2.读取文件，分割字段

String result = readFile(new File("I:\\Python\\android_data_fetcher\\data\\data.txt"),"gbk");
String[] split = result.split("&&&");
for (String s : split) {
    String[] item = s.split("```");
    String name = item[0];//名称
    String jianshuUrl = item[1];//简书首页
    String info = item[2];//文章介绍
    String time = item[3];//建立时间
}
复制代码

3.添加okhttp依赖

<!-- https://mvnrepository.com/artifact/com.squareup.okhttp3/okhttp -->
 <dependency>
     <groupId>com.squareup.okhttp3</groupId>
     <artifactId>okhttp</artifactId>
     <version>3.12.0</version>
 </dependency>
复制代码

4.post请求插入数据的方法

private static void doPost(String url, String name, String info, String jianshuUrl, String createTime) {
    //1.HttpClient对象
    OkHttpClient okHttpClient = new OkHttpClient();
    //2.构造RequestBody
    FormBody body = new FormBody.Builder()
            .add("type", "C")
            .add("name", name)
            .add("localPath", "null")
            .add("jianshuUrl", jianshuUrl)
            .add("juejinUrl", "null")
            .add("info", info)
            .add("imgUrl", name + ".png")
            .add("createTime", createTime)
            .build();
    Request request = new Request.Builder().url(url).post(body).build();
    //3.将Request封装为Call对象
    Call call = okHttpClient.newCall(request);
    //4.执行Call
    call.enqueue(new Callback() {
        public void onFailure(Call call, IOException e) {
        }
        public void onResponse(Call call, Response response) throws IOException {
            System.out.println(response.body().string());
        }
    });
}
复制代码

5.遍历字段时进行插入数据：请求接口见上篇

public static void main(String[] args) {
    String url = "http://192.168.43.60:8089/api/android/note";
    String result = readFile(new File("I:\\Python\\android_data_fetcher\\data\\data.txt"),"gbk");
    String[] split = result.split("&&&");
    for (String s : split) {
        String[] item = s.split("```");
        String name = item[0];
        String jianshuUrl = item[1];
        String info = item[2];
        String time = item[3];
        System.out.println(name+" "+jianshuUrl);
        try {
            Thread.sleep(10);
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
        doPost(url,name,info,jianshuUrl,time);
    }
}
复制代码

6.数据插入到服务器数据库：

因为本地和服务器上的配置都同样，改下ip运行一下就好了:
www.toly1994.com:8089/api/android… 可查全部数据
图片打算本身来挑选，或制做，类型的分类仍是本身来吧
数据，就这样吧，虽然简陋了些...之后慢慢来，毕竟0到1是质变,1到2是量变github

3、图片的处理

1.简介

先拿一些测试图片来用，数据库中只要存文章名称.png就好了
service层读取的时候作了一些小处理，如今也就是要对测试图片进行重命名web

"imgUrl":"http://192.168.10.101:8089/imgs/android/01-React搭建react环境及SCSS的配置.png"
复制代码

2.获取文章名称的列表

ArrayList<String> names = new ArrayList<String>();

String[] split = result.split("&&&");
for (String s : split) {
    String[] item = s.split("```");
    String name = item[0];
    names.add(name);
    }
复制代码

3.遍历文件夹修更名称

private static void renameImg(ArrayList<String> names, File dir) {
    File[] files = dir.listFiles();
    for (int i = 0; i < names.size(); i++) {
        File file = files[i];
        file.renameTo(new File(file.getParent(),names.get(i)+".png"));
    }
}
复制代码

4.小问题：

发现有些名字不能作文件名，好吧，考虑步骤，MD5处理一下

//插入数据库时： 
.add("imgUrl", Md5Util.getMD5(name) + ".png")

//重命名时：
file.renameTo(new File(file.getParent(), Md5Util.getMD5(names.get(i)) + ".png"));
复制代码

public class Md5Util {
    /**
     * 获取一个字符串的Md5值
     *
     * @param content 内容
     * @return Md5值
     */
    public static String getMD5(String content) {
        content = content + "芝麻开门";
        try {
            MessageDigest digest = MessageDigest.getInstance("MD5");
            digest.update(content.getBytes());
            return getHashString(digest);
        } catch (NoSuchAlgorithmException e) {
            e.printStackTrace();
        }
        return null;
    }

    private static String getHashString(MessageDigest digest) {
        StringBuilder builder = new StringBuilder();
        for (byte b : digest.digest()) {
            builder.append(Integer.toHexString((b >> 4) & 0xf));
            builder.append(Integer.toHexString(b & 0xf));
        }
        return builder.toString();
    }
}

复制代码

ok,数据和图片准备齐全，下一站React前端

后记：捷文规范

1.本文成长记录及勘误表

项目源码	日期	备注
V0.1	2018-12-12	建站四部曲之Python爬虫+数据准备篇(selenium)

2.更多关于我

笔名	QQ	微信	爱好
张风捷特烈	1981462002	zdl1994328	语言
个人github	个人简书	个人掘金	我的网站

3.声明

1----本文由张风捷特烈原创,转载请注明
2----欢迎广大编程爱好者共同交流
3----我的能力有限，若有不正之处欢迎你们批评指证，一定虚心改正
4----看到这里，我在此感谢你的喜欢与支持