数据采集与融合第五次实验

作业①:


    我的Gitee

  • 作业①: 要求: 熟练掌握 Selenium 查找HTML元素、爬取Ajax网页数据、等待HTML元素等内容。
    使用Selenium框架爬取京东商城某类商品信息及图片。
    候选网站: http://www.jd.com/
    关键词:学生自由选择
    输出信息:MYSQL的输出信息如下
    mNo mMark mPrice mNote mFile
    000001 三星Galaxy 9199.00 三星Galaxy Note20 Ultra5G... 000001.jpg

    (1)利用Selenium框架爬取京东商城某类商品网页内容

    实验过程
    1.定位至网页搜索框,输入关键词"手机"

    self.driver.get(url)
            keyInput = self.driver.find_element_by_id("key")
            keyInput.send_keys(key)
            keyInput.send_keys(Keys.ENTER)
    

    2.编写爬虫主体,检查页面:

    利用xpath方法实现定位(由于京东网页的特殊,图片链接隐藏在src或者data-lazy-img下)

    lis =self.driver.find_elements_by_xpath("//div[@id='J_goodsList']//li[@class='gl-item']")
                for li in lis:
                    if count>112:
                        break;
                # We find that the image is either in src or in data-lazy-img attribute
                    try:
                        src1 = li.find_element_by_xpath(".//div[@class='p-img']//a//img").get_attribute("src")
                    except:
                        src1 = ""
    
                    try:
                        src2 = li.find_element_by_xpath(".//div[@class='p-img']//a//img").get_attribute("data-lazy-img")
                    except:
                        src2 = ""
                    try:
                        price = li.find_element_by_xpath(".//div[@class='p-price']//i").text
                    except:
                         price = "0"
    
                    try:
                        note = li.find_element_by_xpath(".//div[@class='p-name p-name-type-2']//em").text
                        mark = note.split(" ")[0]
                        mark = mark.replace("爱心东东\n", "")
                        mark = mark.replace(",", "")
                        note = note.replace("爱心东东\n", "")
                        note = note.replace(",", "")
    
                    except:
                        note = ""
                        mark = ""
    
    

    翻页处理:

    # 找到下一页的跳转按钮位置
                if count<112:
    
                    try:
                        self.driver.find_element_by_xpath("//span[@class='p-num']//a[@class='pn-next disabled']")
                    except:
                        nextPage = self.driver.find_element_by_xpath("//span[@class='p-num']//a[@class='pn-next']")
                        time.sleep(5)
                        nextPage.click()
                        time.sleep(5)
                        self.processSpider()
    

    设置下载的图片文件名:

     self.No = self.No + 1
                    no = str(self.No)
                    while len(no) < 6:
                        no = "0" + no
                    print(no, mark, price)
                    if src1:
                        src1 = urllib.request.urljoin(self.driver.current_url, src1)
                        p = src1.rfind(".")
                        mFile = no + src1[p:]
                    elif src2:
                        src2 = urllib.request.urljoin(self.driver.current_url, src2)
                        p = src2.rfind(".")
                        mFile = no + src2[p:]
    

    使用多线程,快速下载:

                    if src1 or src2:
                        T = threading.Thread(target=self.download, args=(src1, src2, mFile))
                        T.setDaemon(False)
                        T.start()
                        self.threads.append(T)
                    else:
                        mFile = ""
    

    定义下载函数:

        def download(self, src1, src2, mFile):
            data = None
            if src1:
                try:
                    req = urllib.request.Request(src1, headers=MySpider.headers)
                    resp = urllib.request.urlopen(req, timeout=10)
                    data = resp.read()
                except:
                    pass
            if not data and src2:
                try:
                    req = urllib.request.Request(src2, headers=MySpider.headers)
                    resp = urllib.request.urlopen(req, timeout=10)
                    data = resp.read()
                except:
                    pass
            if data:
                print("download begin", mFile)
                fobj = open(MySpider.imagePath + "\\" + mFile, "wb")
                fobj.write(data)
                fobj.close()
                print("download finish", mFile)
    

    创建图片存放目录:

            imagePath = "download"
    
            try:
                if not os.path.exists(MySpider.imagePath):
                    os.mkdir(MySpider.imagePath)
                images = os.listdir(MySpider.imagePath)
                for img in images:
                    s = os.path.join(MySpider.imagePath, img)
                    os.remove(s)
            except Exception as err:
                print(err)
    

    3.创建mysql数据库

     # 连接mysql数据库
     print("opened")
            try:
                self.con = pymysql.connect(host="127.0.0.1", port=3306, user="root", passwd="chen961122", db="test",
                                           charset="utf8")
                self.cursor = self.con.cursor(pymysql.cursors.DictCursor)
                self.opened = True
                # flag = False
            except Exception as err:
                print(err)
                self.opened = False
    

    插入数据到数据表中:

    # 插入数据
    self.cursor.execute(
                        "insert into phone (Pno,Pmark, Pprice, Pnote, PmFile) values (%s,%s,%s,%s,%s)",
                        (no, mark, price, note, mFile))
    

    运行结果

    心得体会:

    通过本次实验是对之前实验的复现,主要是加深巩固了利用Selenium模拟爬取京东的商品存入数据库,并下载相关图片。以及selenium元素定位方法的复习与加强,翻页的处理可以说得心应手,爬虫与数据库的结合也得到了巩固。

    作业②:


      我的Gitee

    • 作业②
      要求: 熟练掌握 Selenium 查找HTML元素、实现用户模拟登录、爬取Ajax网页数据、等待 HTML元素等内容。
      使用Selenium框架+MySQL爬取中国mooc网课程资源信息(课程号、课程名称、教学 进度、课程状态,课程图片地址),同时存储图片到本地项目根目录下的imgs文件夹 中,图片的名称用课程名来存储。
      候选网站:中国mooc网:

      https://www.icourse163.org

      输出信息:MYSQL数据库存储和输出格式
      表头应是英文命名例如:课程号ID,课程名称:cCourse……,由同学们自行定义
      设计表头:

      (2)利用selenium进行模拟用户登入,爬取mooc相关信息

      实验过程
      1.根据实验要求由于模拟用户登入较为复杂,因此先设置浏览器可见,以及最大化方便后续实验的观察

       # chrome_options.add_argument('--headless')
       # chrome_options.add_argument('--disable-gpu')
       driver.maximize_window()
      

      2.编写登入函数login

      在慕课模拟点击登录按钮

      然后点击其他登录方式

      然后点击手机号登录

      代码如下:

      接下来的一步是定位到两个文本框的位置,随后用.send_keys方法输入数据

      但是这里刚开始的时候直接定位xpath,发现始终报出元素不存在的问题,后来发现文本框的结点是存储在frame框架结点下的document内容中的:

      所以直接利用find_element_by_xpath是定位不到的,需要先定位到frame结点,调用switch_to.frame方法后才能定位到,接着查找两个文本框并利用send_keys输入内容

      代码如下:

      iframe = driver.find_element_by_xpath("/html/body/div[position()=13]/div[position()=2]/div/div/div/div/div/div[position()=1]/div/div[position()=1]/div[position()=2]/div[position()=2]/div/iframe")
      driver.switch_to.frame(iframe)
      input = driver.find_element_by_xpath("/html/body/div[position()=2]/div[position()=2]/div[position()=2]/form/div/div[position()=2]/div[position()=2]/input")
      # input = driver.find_element_by_id("phoneipt")
      # input.click()
      input.send_keys('18750715626')
      input2 = driver.find_element_by_xpath("/html/body/div[position()=2]/div[position()=2]/div[position()=2]/form/div/div[position()=4]/div[position()=2]/input[position()=2]")
      input2.send_keys('Chen961122')
      

      输入后点击登录按钮

      另外在实验中由于多次频繁的登录,网站检测后给出了滑动验证码,这里设置一个time.sleep(10)手动拖动。

      进入页面后模拟点击个人中心

       button5 = driver.find_element_by_xpath("/html/body/div[position()=4]/div[position()=1]/div/div/div/div/div[position()=7]/div[position()=3]/div/div/a/span")
       button5.click()
      

      然后就成功利用selenium的模拟用户登录进入了我们的课程页面。

      • 编写processSpider函数对页面信息进行爬取

      定位含课程信息的结点

      lis =driver.find_elements_by_xpath("//div[@class='course-card-wrapper']")
      

      连接并打开数据库:

      print("opened")
              try:
                  self.con = pymysql.connect(host="127.0.0.1", port=3306, user="root", passwd="chen961122", db="test",
                                             charset="utf8")
                  self.cursor = self.con.cursor(pymysql.cursors.DictCursor)
                  self.opened = True
                  # flag = False
              except Exception as err:
                  print(err)
                  self.opened = False
      

      遍历结点爬取数据,下载图片:

       for li in lis:
                  src = li.find_element_by_xpath("./div[@class='box']/a/div[@class='img']/img").get_attribute("src")
                  title = li.find_element_by_xpath("./div[@class='box']/a/div[@class='img']/img").get_attribute("alt")
                  school = li.find_element_by_xpath("./div[@class='box']/a/div[@class='body']/div[@class='common-info-wrapper common-info-wrapper-fix-height']/div[@class='school']/a").text
                  stutime = li.find_element_by_xpath("./div[@class='box']/a/div[@class='body']/div[@class='personal-info']/div[position()=1]/div[position()=1]/div[position()=1]/a/span").text
                  ddl = li.find_element_by_xpath("./div[@class='box']/a/div[@class='body']/div[@class='personal-info']/div[@class='course-status']").text
                  # 下载
                  name = "E:/course/" + str(title) + ".jpg"
                  urllib.request.urlretrieve(src, filename=name)
      

      插入数据至数据库:

      self.cursor.execute(
                      "insert into mooc (Mid,Mcourse,Mcollege,Mschedule,McourseStatus,MImgUrl) values (%s,%s,%s,%s,%s,%s)",
                      (count,title,school,stutime,ddl,src))
      

      爬取完一页信息后进行翻页操作:

      利用selenium模拟点击,并递归调用processSpider函数进行翻页:

              if i == 1:
                  i+=1
                  try:
                      nextPage = driver.find_element_by_xpath("//html/body/div[position()=4]/div[position()=2]/div[position()=3]/div/div[position()=1]/div[position()=3]/div/div[position()=2]/div/div/div[position()=2]/div[position()=1]/div[position()=2]/div/div[position()=2]/ul/li[position()=5]/a")
                      time.sleep(5)
                      nextPage.click()
                      time.sleep(5)
                      self.processSpider()
                  except:
                      print()
      
      • 运行结果

      心得体会

      本次实验的难点主要在于用selenium模拟用户登录的问题,只需要按部就班,定位按钮的位置,通过click方法进行点击,在实验中输入数据使用send_keys方法,这里第一次遇见了保存于iframe 下的html,在外头直接定位是定位不到的,需要通过 driver.switch_to.frame(iframe),然后在进行定位,进入后的爬虫,数据库的使用则别无二致,对这些操作进行了巩固与加强,本次实验中没有解决的问题是多次登录,被网页检测出有机器爬虫的嫌疑,所以在登陆的时候有概率会弹出滑动验证码,这里后续会想办法解决。

      作业③:

      • 作业③:
        要求:
        理解Flume架构和关键特性,掌握使用Flume完成日志采集任务。
        完成Flume日志采集实验,包含以下步骤:
        任务一:开通MapReduce服务
        任务二:Python脚本生成测试数据
        任务三:配置Kafka
        任务四:安装Flume客户端
        任务五:配置Flume采集数据

        实验过程
        任务一:开通MapReduce服务
        (购买开通MapReduce服务,环境搭建,以便后续实验使用)
        任务二:Python脚本生成测试数据

        步骤1:编写Python脚本
        1)使用Xshell 7连接服务器
        2)进入/opt/client/目录,使用vi命令编写Python脚本:vi autodatapython.py
        (这里直接用xftp7将本地的autodatapython.py文件上传至服务器/opt/client/目录下即可,不必再使用vi/vim命令,以免出错,难以修改,后面上传Flume客户端也是一样。)
        步骤2:创建目录
        使用mkdir命令在/tmp下创建目录flume_spooldir,我们把Python脚本模拟生成的数据放到此目录下,后面Flume就监控这个文件下的目录,以读取数据。
        命令:

        mkdir  /tmp/flume_spooldir/
        

        步骤3:测试执行
        执行Python命令,测试生成100条数据
        命令:

        python  autodatapython.py  "/tmp/flume_spooldir/test.txt"  100
        more  /tmp/flume_spooldir/test.txt
        

        任务三:配置Kafka
        步骤1:设置环境变量
        首先设置环境变量,执行source命令,使变量生效
        步骤2:在kafka中创建topic(注意更换为自己Zookeeper的ip,端口号一般不动)
        执行如下命令创建topic,替换实际Zookeeper的IP

        /opt/client/Kafka/kafka/bin/kafka-topics.sh  --create  --zookeeper 172.16.0.74:2181/kafka  --partitions  1  --replication-factor  1  --topic  fludesc
        

        步骤3:查看topic信息

        /opt/client/Kafka/kafka/bin/kafka-topics.sh --list  --zookeeper 172.16.0.74:2181/kafka
        

        任务四:安装Flume客户端
        步骤1:打开flume服务界面
        进入MRS Manager集群管理界面,打开服务管理,点击flume,进入Flume服务

        步骤2:点击下载客户端


        点击确定,等待下载
        下载完成后会有弹出框提示下载到哪一台服务器上(这台机器就是Master节点),路径就是/tmp/MRS-client:

        步骤3:解压下载的flume客户端文件
        使用Xshell7登录到上步中的弹性服务器上,进入/tmp/MRS-client目录
        执行以下命令,解压压缩包获取校验文件与客户端配置包

        tar -xvf MRS_Flume_Client.tar
        

        步骤4:校验文件包
        执行命令:

        sha256sum -c MRS_Flume_ClientConfig.tar.sha256
        

        界面显示如下信息,表明文件包校验成功:

        步骤5:解压“MRS_Flume_ClientConfig.tar”文件
        执行以下命令:

        tar -xvf MRS_Flume_ClientConfig.tar
        

        步骤6:安装Flume环境变量
        执行以下命令,安装客户端运行环境到新的目录“/opt/Flumeenv”,安装时自动生成目录。

        sh  /tmp/MRS-client/MRS_Flume_ClientConfig/install.sh  /opt/Flumeenv
        

        查看安装输出信息,如有以下结果表示客户端运行环境安装成功:

        Components client installation is complete
        

        配置环境变量,执行命令:

        source /opt/Flumeenv/bigdata_env
        

        步骤7:解压Flume客户端
        执行命令:

        cd /tmp/MRS-client/MRS_Flume_ClientConfig/Flume
        tar -xvf FusionInsight-Flume-1.6.0.tar.gz
        

        步骤8:安装Flume客户端
        安装Flume到新目录”/opt/FlumeClient”,安装时自动生成目录。
        执行命令:

        sh /tmp/MRS-client/MRS_Flume_ClientConfig/Flume/install.sh -d /opt/FlumeClient
        

        “-d”:表示Flume客户端安装路径。
        系统显示以下结果表示客户端运行环境安装成功:

        install flume client successfully。
        

        步骤9:重启Flume服务
        执行一下命令:

        cd /opt/FlumeClient/fusioninsight-flume-1.6.0
        sh bin/flume-manage.sh restart
        

        任务五:配置Flume采集数据
        步骤1:修改配置文件(注意更换为自己Kafka的ip,端口号一般不动)
        进入Flume安装目录

        cd /opt/FlumeClient/fusioninsight-flume-1.6.0/
        

        在conf目录下编辑文件properties.properties(同样是建议把内容复制到本地文件,修改ip地址后用Xshell上传到服务器,而不是直接vi/vim往里面复制)
        步骤2:创建消费者消费kafka中的数据
        执行命令:

        /opt/client/Kafka/kafka/bin/kafka-console-consumer.sh  --topic fludesc  --bootstrap-server 192.168.0.54:9092  --new-consumer  --consumer.config  /opt/client/Kafka/kafka/config/consumer.properties
        

        注:此处bootstrap-server的ip对应的是Kafka的Broker的IP。
        执行完毕后,在新开一个Xshell 7窗口(右键相应会话-->在右选项卡组中打开),执行2.2.1步骤三的Python脚本命令,再生成一份数据,查看Kafka中是否有数据产生,可以看到,已经消费出数据了:

        心得体会

        理解Flume架构和关键特性,掌握使用Flume完成日志采集任务。学会了在华为云平台上进行资源申请和释放。

posted @ 2021-12-07 18:09  Aplical  阅读(9)  评论(0编辑  收藏  举报