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

  • 王者荣耀官网的数据
    王者荣耀官网的英雄列表：https://pvp.qq.com/web201605/herolist.shtml ， 可以直接通过requests进行获取。
    至于英雄的详细页面，例如 曜 ：https://pvp.qq.com/web201605/herodetail/522.shtml ， 分析页面我们可以发现，其实页面的大多数信息都是可以直接使用requsts进行请求获取，但是通过分析发现，出装的推荐，是通过ajax进行动态加载的，为了简单，直接采用了selenium进行操作了
  • 王者营地
    王者营地app的数据抓取，我们首先要安装fiddler，通过桌面的fiddler的证书，安装到手机与电脑同一wifi的证书中，并进行代理的设置，及可以通过fiddler分析请求。具体操作可以看我之前写过的博客：https://blog.csdn.net/luoz_java/article/details/90340115 ， 里面介绍有详细的操作步骤。
    设置完成后，打开APP，进入 战绩->游戏工具->英雄榜 ，分析fiddler显示的请求：
    https://ssl.kohsocialapp.qq.com:10001/hero/getdetailranklistbyid ， 返回的json数据包含了 热度、胜率、登场率、ban率；
    https://ssl.kohsocialapp.qq.com:10001/hero/getheroextrainfo ， 返回的json数据包含了克制、被克制等信息。

• 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