爬虫实战（二）—利用requests、selenium爬取王者官网、王者营地APP数据及pymongo详解

概述

可关注微信订阅号 loak 查看实际效果。

代码已托管github，地址为：https://github.com/luozhengszj/LOLGokSpider ，包括了项目的所有代码。

本文主要介绍以下内容：

  • 使用selenium 和 requests爬取王者荣耀官网、王者营地APP数据，使用BeautifulSoup和正则进行数据解析；
  • 爬取的IP代理使用了redis搭建的代理池；
  • 数据通过pymongo保存到Mongodb中，并且通过提供接口进行数据的查询与显示；
  • 项目运行日志记录功能logging；
  • centos服务器的定时任务；
  • 数据的查询与显示可通过订阅号进行方便的查询。

爬虫实现

跟上一篇博文类似，我们想要爬取某些数据，同样首先要分析网站、APP程序的页面，确定要爬取的元素->分析网站及元素的加载->抓取数据

  • 确定爬取的元素
    我们百度搜索王者荣耀，进入其官网，可以发现有一个下拉选项“英雄资料”，地址为：https://pvp.qq.com/web201605/herolist.shtmlweb201605/herolist.shtml ， 在这里我们可以看到所有英雄。
    点击某个英雄，进入详情页面，我们可以发现官网有对该英雄的简介、技能、加点、出装、铭文的推荐。所以我们可以确定这些内容可以从这里进行爬取。再进行分析“王者营地”APP（博主分析时，版本为：3.44.204），选择 战绩->游戏工具->英雄榜，我们可以看到该APP对实时数据的显示，主要包括了上下中辅野的热度、胜率、登场率、ban率、技能、出装、铭文、克制、被克制的内容。
    通过上面的分析，确定了在王者官网爬取英雄的铭文、出装、技能，在王者营地APP爬取 热度、胜率、登场率、ban率、克制、被克制

  • 分析网站及元素的加载

  • 抓取数据
    通过以上的分析，我们直接可以编写代码了。为了简单，王者荣耀官网数据的抓取，直接使用chrome selenium，而王者营地的则采用request模块。
    官网爬取某一英雄详细信息：

    def get_one_hero_detail(hero_url, gok_hero):
   proxy = get_proxy()
   chrome_options.add_argument('--proxy-server=http://' + proxy)
   browser.get(hero_url)

   tmp1 = wait.until(
       EC.presence_of_element_located(
           (By.XPATH, '/html/body/div[3]/div[2]/div/div[2]/div[1]/div[2]/p[1]/span'))).text
   tmp2 = browser.find_element_by_xpath('/html/body/div[3]/div[2]/div/div[2]/div[1]/div[2]/p[3]/span').text
   gok_hero.skill = ['主：' + tmp1, '副：' + tmp2]

   zh_skill = browser.find_element_by_xpath('/html/body/div[3]/div[2]/div/div[2]/div[1]/div[2]/p[5]/span').text
   gok_hero.zh_skill = zh_skill

   mingwen1 = browser.find_element_by_xpath('/html/body/div[3]/div[2]/div/div[1]/div[3]/div[2]/ul/li[1]/p[1]/em').text
   mingwen2 = browser.find_element_by_xpath('/html/body/div[3]/div[2]/div/div[1]/div[3]/div[2]/ul/li[2]/p[1]/em').text
   mingwen3 = browser.find_element_by_xpath('/html/body/div[3]/div[2]/div/div[1]/div[3]/div[2]/ul/li[3]/p[1]/em').text
   gok_hero.mingwen = [mingwen1, mingwen2, mingwen3]

   browser.implicitly_wait(5)
   builds = browser.find_elements_by_xpath('//*[@id="Jname"]')
   list_tmp = []
   for item in builds:
       list_tmp.append(item.get_attribute("innerHTML"))
   gok_hero.first_build = list_tmp[:6]
   gok_hero.second_build = list_tmp[6:12]

   time.sleep(1)
   return gok_hero

    王者营地APP根据位置爬取数据及解析的代码：

    all_hero_msg = []


def get_hero_rank(lu):
    retry_count = 5
    proxy = get_proxy()
    while retry_count > 0:
        try:
            # 获取英雄列表
            proxies = {
                "http": "http://" + proxy
            }
            data_tmp = gok_interface_log['post_data_20190623']
            data_tmp.update({'position': lu})
            herohtml = requests.post(url=gok_interface_log['post_url_20190623'],
                                     data=data_tmp,
                                     proxies=proxies).text
            return herohtml
        except urllib.error.URLError as e:
            if isinstance(e.reason, socket.timeout):
                retry_count -= 1
                if retry_count == 2:
                    # 出错3次, 删除代理池中代理
                    delete_proxy(proxy)
                    proxy = get_proxy()
        except Exception as e:
            log.logger.error('get_hero_rank爬取失败！' + str(e)+lu)
            if retry_count == 3:
                delete_proxy(proxy)
                proxy = get_proxy()
    return None


def parse_hero_rank(rank_data, version, position):
    rank_data = ast.literal_eval(rank_data)
    hero_rank_list = str(rank_data.get('data').get('list'))[1:-1]
    hero_items = ast.literal_eval(hero_rank_list)
    for item in hero_items:
        gok = GokClass()
        gok.version = version
        gok.day = gok_config['GOK_INSERT_TIME']
        gok.heroid = item['heroId']
        gok.heroname = item['heroInfo'][0]['heroName']
        gok.herotype = position  # 英雄走哪路
        gok.herotypename = item['heroInfo'][0]['heroCareer']
        gok.tRank = item['tRank']
        gok.winpercent = item['winRate']
        gok.gameactpercnt = item['showRate']
        gok.banRate = item['banRate']
        all_hero_msg.append(gok)

    为了不报错，请各位还是直接查看仓库的完整代码吧~~

redis维护IP代理池

可以查看上一篇博文，里面有完整的操作。https://blog.csdn.net/luoz_java/article/details/92741358

pymongo

mongodb的可视化，我发现了一款很好的工具，就是 robo3t ，百度搜索即可，免费版的。
官网地址：https://docs.mongodb.com/
pymongo的操作主要为以下内容：

  • 创建集合
 #!/usr/bin/python3
  
 import pymongo
  
 client = pymongo.MongoClient(mongo_config['MONGO_URL'])
 db = client[mongo_config['MONGO_DB']]

在 MongoDB 中，集合只有在内容插入后才会创建! 就是说，创建集合(数据表)后要再插入一个文档(记录)，集合才会真正创建。

  • 判断集合是否已存在
 #!/usr/bin/python3
  
 import pymongo
  
 client = pymongo.MongoClient(mongo_config['MONGO_URL'])
 db = client[mongo_config['MONGO_DB']]
 collist = db. list_collection_names()
 if "sites" in collist:   # 判断 sites 集合是否存在
   print("集合已存在！")

  • 插入集合

    • insert_one()
    #!/usr/bin/python3
 
import pymongo
 
client = pymongo.MongoClient(mongo_config['MONGO_URL'])
db = client[mongo_config['MONGO_DB']]
search_set = db[mongo_config['USER_FIND_TYPE']]
tmp = search_set.insert_one({'user_id': user_id, 'game_type': type})
# insert_one() 方法返回 InsertOneResult 对象，该对象包含 inserted_id 属性，它是插入文档的 id 值。
print(tmp.inserted_id) # 5b2369cac315325f3698a1cf
if tmp:
    return 'success'
return None
    • insert_many()
    #!/usr/bin/python3
 
import pymongo
 
client = pymongo.MongoClient(mongo_config['MONGO_URL'])
db = client[mongo_config['MONGO_DB']]
    search_set = db[mongo_config['USER_FIND_TYPE']]
    mylist = [
  { "name": "Taobao", "alexa": "100", "url": "https://www.taobao.com" },
  { "name": "QQ", "alexa": "101", "url": "https://www.qq.com" },
  { "name": "Facebook", "alexa": "10", "url": "https://www.facebook.com" },
  { "name": "知乎", "alexa": "103", "url": "https://www.zhihu.com" },
  { "name": "Github", "alexa": "109", "url": "https://www.github.com" }
	]
 
x = search_set.insert_many(mylist)
	 
# 输出插入的所有文档对应的 _id 值
print(x.inserted_ids)
# [ObjectId('5b236aa9c315325f5236bbb6'), ObjectId('5b236aa9c315325f5236bbb7'), ObjectId('5b236aa9c315325f5236bbb8'), ObjectId('5b236aa9c315325f5236bbb9'), ObjectId('5b236aa9c315325f5236bbba')]
# insert_many() 方法返回 InsertManyResult 对象，该对象包含 inserted_ids 属性，该属性保存着所有插入文档的 id 值。
    • 插入指定 _id 的多个文档
    #!/usr/bin/python3
 
import pymongo
 
client = pymongo.MongoClient(mongo_config['MONGO_URL'])
db = client[mongo_config['MONGO_DB']]
search_set = db[mongo_config['USER_FIND_TYPE']]
    mylist = [
	  { "_id": 1, "name": "RUNOOB", "cn_name": "菜鸟教程"},
	  { "_id": 2, "name": "Google", "address": "Google 搜索"},
	  { "_id": 3, "name": "Facebook", "address": "脸书"},
	  { "_id": 4, "name": "Taobao", "address": "淘宝"},
	  { "_id": 5, "name": "Zhihu", "address": "知乎"}
	]
	 
x = mycol.insert_many(mylist)
	 
# 输出插入的所有文档对应的 _id 值
print(x.inserted_ids)
# [1, 2, 3, 4, 5]

  • 查询

    • find_one()
    • find()
    • 查询指定字段的数据
    • 根据指定条件查询
    #!/usr/bin/python3
 
import pymongo
 
client = pymongo.MongoClient(mongo_config['MONGO_URL'])
db = client[mongo_config['MONGO_DB']]
mycol = mydb[mongo_config['USER_FIND_TYPE']]

x = mycol.find_one()

list_col = mycol.find()

# 将要返回的字段对应值设置为 1
# 除了 _id 你不能在一个对象中同时指定 0 和 1，如果你设置了一个字段为 0，则其他都为 1，反之亦然。
for x in mycol.find({},{ "_id": 0, "name": 1, "alexa": 1 }):
	print(x)

# 同时指定了 0 和 1 则会报错
for x in mycol.find({},{ "name": 1, "alexa": 0 }):
	print(x)

# 根据条件查找
mydoc = mycol.find_one({'user_id': user_id, 'game_type': type})
    • 高级查询
      与或非，与不用说了。下面说或、非
      limit()
      排序
    #!/usr/bin/python3
 
import pymongo
 
client = pymongo.MongoClient(mongo_config['MONGO_URL'])
db = client[mongo_config['MONGO_DB']]
mycol = mydb[mongo_config['USER_FIND_TYPE']]

# 或
x = mycol.find_one({"$or": [{"name": hero_another_name}, {"another1": hero_another_name}]})

# 非
# 读取 name 字段中第一个字母为 "R" 的数据，正则表达式修饰符条件为 {"$regex": "^R"} :
x = mycol.find({ "name": { "$regex": "^R" } })

# $in，常用于判断列表name是否存在luozheng元素
x = mycol.find_one({"name": {'$in':['luozheng']}})

# $regex，也可以写正则
# 适用于匹配，如果字段a的值为'abc',如果我们想知道name的值是否包含‘b’，可以这样做find({'name':{'$regex':'b'}})
x = mycol.find_one({"name": {'$regex':['luo']}})


# limit()
myresult = mycol.find().limit(3)

# 同时指定了 0 和 1 则会报错
for x in mycol.find({},{ "name": 1, "alexa": 0 }):
	print(x)

# sort  升序：pymongo.ASCENDING ( 1 ) 、 降序：pymongo.DESCENDING ( -1 )
mydoc = mycol.sort([("field1",pymongo.ASCENDING), ("field2",pymongo.DESCENDING)])

  • 更新
    update_one()
    update_many()

    #!/usr/bin/python3
 
import pymongo
 
client = pymongo.MongoClient(mongo_config['MONGO_URL'])
db = client[mongo_config['MONGO_DB']]
mycol = mydb[mongo_config['USER_FIND_TYPE']]

# update_one 该方法第一个参数为查询的条件，第二个参数为要修改的字段。
mycol.update_one({ "alexa": "10000" }, { "$set": { "alexa": "12345" } })

# 实例将查找所有以 F 开头的 name 字段，并将匹配到所有记录的 alexa 字段修改为 123：
myquery = { "name": { "$regex": "^F" } }
newvalues = { "$set": { "alexa": "123" } }
 
x = mycol.update_many(myquery, newvalues)

  • 删除
    delete_one()
    delete_many()
    drop()

    #!/usr/bin/python3
 
import pymongo
 
client = pymongo.MongoClient(mongo_config['MONGO_URL'])
db = client[mongo_config['MONGO_DB']]
mycol = mydb[mongo_config['USER_FIND_TYPE']]

# delete_one
mycol.delete_one({ "name": "Taobao" })

# delete_many
myquery = { "name": {"$regex": "^F"} }

x = mycol.delete_many(myquery)

# delete_many() 方法如果传入的是一个空的查询对象，则会删除集合中的所有文档
x = mycol.delete_many({})

# 删除集合
# 如果删除成功 drop() 返回 true，如果删除失败(集合不存在)则返回 false。
mycol.drop()

日志记录功能

参照博文： https://www.cnblogs.com/nancyzhu/p/8551506.html

  • 介绍
    logging提供了一组便利的函数，用来做简单的日志。它们是 debug()、 info()、 warning()、 error() 和 critical()。

    默认等级是WARNING，这意味着仅仅这个等级及以上的才会反馈信息，除非logging模块被用来做其它事情。
    logging函数根据它们用来跟踪的事件的级别或严重程度来命名。标准级别及其适用性描述如下（以严重程度递增排序）：

级别何时使用
DEBUG详细信息，一般只在调试问题时使用。
INFO证明事情按预期工作。
WARNING某些没有预料到的事件的提示，或者在将来可能会出现的问题提示。例如：磁盘空间不足。但是软件还是会照常运行。
ERROR由于更严重的问题，软件已不能执行一些功能了。
CRITICAL严重错误，表明软件已不能继续运行了。
  • 代码实例
import logging
from logging import handlers

class Logger(object):
 level_relations = {
     'debug':logging.DEBUG,
     'info':logging.INFO,
     'warning':logging.WARNING,
     'error':logging.ERROR,
     'crit':logging.CRITICAL
 }#日志级别关系映射

 def __init__(self,filename,level='info',when='D',backCount=3,fmt='%(asctime)s - %(pathname)s[line:%(lineno)d] - %(levelname)s: %(message)s'):
     self.logger = logging.getLogger(filename)
     format_str = logging.Formatter(fmt)#设置日志格式
     self.logger.setLevel(self.level_relations.get(level))#设置日志级别
     sh = logging.StreamHandler()#往屏幕上输出
     sh.setFormatter(format_str) #设置屏幕上显示的格式
     th = handlers.TimedRotatingFileHandler(filename=filename,when=when,backupCount=backCount,encoding='utf-8')#往文件里写入#指定间隔时间自动生成文件的处理器
     #实例化TimedRotatingFileHandler
     #interval是时间间隔，backupCount是备份文件的个数，如果超过这个个数，就会自动删除，when是间隔的时间单位，单位有以下几种：
     # S 秒
     # M 分
     # H 小时、
     # D 天、
     # W 每星期（interval==0时代表星期一）
     # midnight 每天凌晨
     th.setFormatter(format_str)#设置文件里写入的格式
     self.logger.addHandler(sh) #把对象加到logger里
     self.logger.addHandler(th)
if __name__ == '__main__':
 log = Logger('all.log',level='debug')
 log.logger.debug('debug')
 log.logger.info('info')
 log.logger.warning('警告')
 log.logger.error('报错')
 log.logger.critical('严重')
 Logger('error.log', level='error').logger.error('error')

centos服务器的定时任务

编辑定时任务：crontab -e
查看定时任务：crontab -l
如果是命令需要先后执行，可以使用 &&
如果是后台运行并且多命令，记得先运行命令在nohup。
例如以下是先杀进行，在启动进程：

  #定时重启服务
  2 0 * * * ps -ef | grep wxWeb.py | grep -v grep | awk '{print $2}' | xargs kill -9
  4 0 * * * cd /home/LOLGokSpider/Web && nohup /home/LOLGokEnv/bin/python /home/LOLGokSpider/Web/wxWeb.py > /home/LOLGokSpider/Web/wxRun.log 2>&1 &

个人博客：Loak 正 - 关注人工智能及互联网的个人博客
文章地址：爬虫实战（二）—利用requests、selenium爬取王者官网、王者营地APP数据及pymongo详解

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/l0zh/p/13739733.html