数据采集与融合第五次实验
作业①:
-
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:
- 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: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。
我的Gitee - 作业②
我的Gitee