数据采集实践第四次作业

Gitee作业链接:
https://gitee.com/FunkTank/crawl_project/tree/master/作业4

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+ MySQL数据库存储技术路线爬取“沪深A股”、“上证A股”、“深证A股”3个板块的股票数据信息。

1.作业内容

点击查看代码
from selenium import webdriver
from lxml import etree
from selenium.webdriver.common.by import By
import time
import pymysql

def get_data(url):
    html = driver.page_source
    bs = etree.HTML(html)
    lis = bs.xpath('//*[@id="table_wrapper-table"]/tbody/tr')
    time.sleep(2)
    for link in lis:
        a = link.xpath('./td[1]/text()')[0]  # 序号
        b = link.xpath('./td[2]/a/text()')[0]  # 代码
        c = link.xpath('./td[3]/a/text()')[0]  # 名称
        d = link.xpath('./td[5]/span/text()')[0]  # 最新价
        e = link.xpath('./td[6]/span/text()')[0]  # 涨跌幅
        f = link.xpath('./td[7]/span/text()')[0]  # 涨跌额
        g = link.xpath('./td[8]/text()')[0]  # 成交量
        h = link.xpath('./td[9]/text()')[0]  # 成交额
        i = link.xpath('./td[10]/text()')[0]  # 振幅
        j = link.xpath('./td[11]/span/text()')[0]  # 最高
        k = link.xpath('./td[12]/span/text()')[0]  # 最低
        l = link.xpath('./td[13]/span/text()')[0]  # 今开
        m = link.xpath('./td[14]/text()')[0]  # 昨收

        # 使用 pymysql 连接数据库
        connection = pymysql.connect(
            host='localhost',
            user='root',
            password='',
            database='pachoong',
            charset='utf8mb4'
        )
        try:
            with connection.cursor() as cursor:
                sql = "INSERT INTO stock4 (序号, 代码, 名称, 最新价, 涨跌幅, 涨跌额, 成交量, 成交额, 振幅, 最高, 最低, 今开, 昨收) VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)"
                val = (a, b, c, d, e, f, g, h, i, j, k, l, m)
                cursor.execute(sql, val)
            connection.commit()
            print(a, b, c, d, e, f, g, h, i, j, k, l, m)
        except Exception as e:
            print(f"Error: {e}")
        finally:
            connection.close()

    next_button = driver.find_element(By.XPATH, url)
    next_button.click()
    time.sleep(2)

chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--disable-gpu')

driver = webdriver.Chrome(options=chrome_options)

driver.get("https://quote.eastmoney.com/center/gridlist.html#hs_a_board")
get_data('//*[@id="nav_sh_a_board"]/a')
get_data('//*[@id="nav_sz_a_board"]/a')
get_data('//*[@id="nav_bj_a_board"]/a')

输出信息:


2.心得体会

在完成这个股票数据爬取任务的过程中,我深刻体会到了自动化数据处理的重要性以及Selenium工具在实际应用中的强大功能。这次实践不仅提升了我对Selenium和MySQL的掌握程度,也让我认识到在处理实际项目时,问题分析和解决能力的重要性。

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、学校名称、主讲教师、团队成员、参加人数、课程进度、课程简介)

1.作业内容

点击查看代码
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from lxml import etree
import pymysql

# 数据库配置
DB_CONFIG = {
    'host': 'localhost',
    'user': 'root',
    'password': '',
    'database': 'pachoong',
    'charset': 'utf8mb4'
}

# 目标网址
LOGIN_URL = 'https://www.icourse163.org/'
COURSE_URL = 'https://www.icourse163.org/search.htm?search=%20#/'

# 初始化Chrome选项
chrome_options = Options()
chrome_options.add_argument('--headless')  # 无头模式
chrome_options.add_argument('--disable-gpu')

# 初始化WebDriver
driver = webdriver.Chrome(options=chrome_options)

def wait_for_element(driver, by, value, timeout=10):
    """
    等待元素加载完成
    """
    return WebDriverWait(driver, timeout).until(
        EC.presence_of_element_located((by, value))
    )

def login(driver, login_url, account, password):
    """
    登录到网站
    """
    driver.get(login_url)
    wait_for_element(driver, By.XPATH, '//*[@id="app"]/div/div/div[1]/div[3]/div[3]/div').click()
    
    # 切换到iframe
    frame = wait_for_element(driver, By.XPATH, '/html/body/div[13]/div[2]/div/div/div/div/div/div[1]/div/div[1]/div[2]/div[2]/div[1]/div/iframe')
    driver.switch_to.frame(frame)
    
    # 输入账号和密码
    wait_for_element(driver, By.ID, 'phoneipt').send_keys(account)
    wait_for_element(driver, By.XPATH, '/html/body/div[2]/div[2]/div[2]/form/div/div[4]/div[2]/input[2]').send_keys(password)
    
    # 点击登录按钮
    wait_for_element(driver, By.XPATH, '/html/body/div[2]/div[2]/div[2]/form/div/div[6]/a').click()
    
    # 等待登录完成,可以根据实际情况调整
    WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.XPATH, '//*[@id="app"]/div/div/div[1]/div[3]/div[3]/div'))
    )

def fetch_course_data(driver, course_url):
    """
    获取课程信息并存储到数据库
    """
    driver.get(course_url)
    wait_for_element(driver, By.XPATH, '/html/body/div[4]/div[2]/div[2]/div[2]/div/div[6]/div[1]/div[1]/label/div').click()
    
    # 滚动页面以加载所有课程
    scroll_script = """
    var timer = setInterval(function(){
        var scrollTop = document.documentElement.scrollTop || document.body.scrollTop;
        var ispeed = Math.floor(document.body.scrollHeight / 100);
        if(scrollTop > document.body.scrollHeight * 90 / 100){
            clearInterval(timer);
        }
        console.log('scrollTop:' + scrollTop);
        console.log('scrollHeight:' + document.body.scrollHeight);
        window.scrollTo(0, scrollTop + ispeed);
    }, 20);
    """
    driver.execute_script(scroll_script)
    time.sleep(4)  # 等待滚动完成
    
    # 获取页面源代码并解析
    html = driver.page_source
    bs = etree.HTML(html)
    courses = bs.xpath('/html/body/div[4]/div[2]/div[2]/div[2]/div/div[6]/div[2]/div[1]/div/div/div')
    
    # 连接到数据库
    mydb = pymysql.connect(**DB_CONFIG)
    cursor = mydb.cursor()
    
    try:
        for course in courses:
            # 提取课程信息
            a = course.xpath('./div[2]/div/div/div[1]/a[2]/span/text()')
            if len(a) != 0 and a[0] == '国家精品':
                b = course.xpath('./div[2]/div/div/div[1]/a[1]/span/text()')
                c = course.xpath('./div[2]/div/div/div[2]/a[1]/text()')
                d = course.xpath('./div[2]/div/div/div[2]/a[2]/text()')
                e = course.xpath('./div[2]/div/div/div[2]/a[2]/text()')
                f = course.xpath('./div[2]/div/div/div[3]/span[2]/text()')
                g = course.xpath('./div[2]/div/div/div[3]/div/span[2]/text()')
                h = course.xpath('./div[2]/div/div/a/span/text()')
                
                # 数据清洗
                course_name = b[0] if b else ''
                college = c[0] if c else ''
                teacher = d[0] if d else ''
                team = e[0] if e else ''
                count = f[0] if f else ''
                process = g[0] if g else '已结束'
                brief = h[0] if h else '空'
                
                # 插入数据库
                sql = "INSERT INTO mooc (cCourse, cCollege, cTeacher, cTeam, cCount, cProcess, cBrief) VALUES (%s, %s, %s, %s, %s, %s, %s)"
                val = (course_name, college, teacher, team, count, process, brief)
                cursor.execute(sql, val)
                mydb.commit()
                print(course_name, college, teacher, team, count, process, brief)
    except Exception as e:
        print(f"Error: {e}")
    finally:
        cursor.close()
        mydb.close()

def main():
    # 登录
    login(driver, LOGIN_URL, '', '')  # 实际的账号和密码
    
    # 获取课程数据
    fetch_course_data(driver, COURSE_URL)
    
    # 关闭浏览器
    driver.quit()

if __name__ == "__main__":
    main()

输出信息:

2.心得体会

在熟练掌握Selenium框架后,我成功实现了对中国大学MOOC网课程资源的自动化爬取。首先,我通过Selenium模拟用户登录,通过显式等待(WebDriverWait)处理动态加载的元素,确保登录流程的稳定性。接着,我使用Selenium的XPath定位功能,精准抓取课程信息,包括课程号、课程名称、学校名称、主讲教师、团队成员、参加人数、课程进度和课程简介等关键数据。

作业③

要求:掌握大数据相关服务,熟悉Xshell的使用
完成文档 华为云_大数据实时分析处理实验手册-Flume日志采集实验(部分)v2.docx 中的任务,即为下面5个任务,具体操作见文档。
环境搭建:

  • 任务一:开通MapReduce服务

    实时分析开发实战:
  • 任务一:Python脚本生成测试数据

  • 任务二:配置Kafka

  • 任务三:安装Flume客户端

  • 任务四:配置Flume采集数据

2.心得体会

通过使用Flink、Flume和Kafka等工具,我学会了如何构建一个完整的实时数据处理流程。我掌握了Flink SQL的编写技巧,这让我能够灵活地处理和分析流数据。此外,通过DLV服务进行数据可视化,我学会了如何将处理后的数据以直观的方式展示出来,这对于数据驱动的决策制定非常有帮助。

posted @ 2024-11-26 02:33  FungusTanion  阅读(4)  评论(0编辑  收藏  举报