Gitee作業連結:
https://gitee.com/FunkTank/crawl_project/tree/master/作業4
作業①
要求:熟練掌握 Selenium 查詢HTML元素、爬取Ajax網頁資料、等待HTML元素等內容。
使用Selenium框架+ MySQL資料庫儲存技術路線爬取“滬深A股”、“上證A股”、“深證A股”3個板塊的股票資料資訊。
1.作業內容
點選檢視程式碼
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] # 序號
b = link.xpath('./td[2]/a/text()')[0] # 程式碼
c = link.xpath('./td[3]/a/text()')[0] # 名稱
d = link.xpath('./td[5]/span/text()')[0] # 最新價
e = link.xpath('./td[6]/span/text()')[0] # 漲跌幅
f = link.xpath('./td[7]/span/text()')[0] # 漲跌額
g = link.xpath('./td[8]/text()')[0] # 成交量
h = link.xpath('./td[9]/text()')[0] # 成交額
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] # 今開
m = link.xpath('./td[14]/text()')[0] # 昨收
# 使用 pymysql 連線資料庫
connection = pymysql.connect(
host='localhost',
user='root',
password='',
database='pachoong',
charset='utf8mb4'
)
try:
with connection.cursor() as cursor:
sql = "INSERT INTO stock4 (序號, 程式碼, 名稱, 最新價, 漲跌幅, 漲跌額, 成交量, 成交額, 振幅, 最高, 最低, 今開, 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')
輸出資訊:
2.心得體會
在完成這個股票資料爬取任務的過程中,我深刻體會到了自動化資料處理的重要性以及Selenium工具在實際應用中的強大功能。這次實踐不僅提升了我對Selenium和MySQL的掌握程度,也讓我認識到在處理實際專案時,問題分析和解決能力的重要性。
作業②
要求:熟練掌握 Selenium 查詢HTML元素、實現使用者模擬登入、爬取Ajax網頁資料、等待HTML元素等內容。
使用Selenium框架+MySQL爬取中國mooc網課程資源資訊(課程號、課程名稱、學校名稱、主講教師、團隊成員、參加人數、課程進度、課程簡介)
1.作業內容
點選檢視程式碼
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
# 資料庫配置
DB_CONFIG = {
'host': 'localhost',
'user': 'root',
'password': '',
'database': 'pachoong',
'charset': 'utf8mb4'
}
# 目標網址
LOGIN_URL = 'https://www.icourse163.org/'
COURSE_URL = 'https://www.icourse163.org/search.htm?search=%20#/'
# 初始化Chrome選項
chrome_options = Options()
chrome_options.add_argument('--headless') # 無頭模式
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):
"""
等待元素載入完成
"""
return WebDriverWait(driver, timeout).until(
EC.presence_of_element_located((by, value))
)
def login(driver, login_url, account, password):
"""
登入到網站
"""
driver.get(login_url)
wait_for_element(driver, By.XPATH, '//*[@id="app"]/div/div/div[1]/div[3]/div[3]/div').click()
# 切換到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)
# 輸入賬號和密碼
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)
# 點選登入按鈕
wait_for_element(driver, By.XPATH, '/html/body/div[2]/div[2]/div[2]/form/div/div[6]/a').click()
# 等待登入完成,可以根據實際情況調整
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):
"""
獲取課程資訊並儲存到資料庫
"""
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()
# 滾動頁面以載入所有課程
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) # 等待滾動完成
# 獲取頁面原始碼並解析
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')
# 連線到資料庫
mydb = pymysql.connect(**DB_CONFIG)
cursor = mydb.cursor()
try:
for course in courses:
# 提取課程資訊
a = course.xpath('./div[2]/div/div/div[1]/a[2]/span/text()')
if len(a) != 0 and a[0] == '國家精品':
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()')
# 資料清洗
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 '已結束'
brief = h[0] if h else '空'
# 插入資料庫
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():
# 登入
login(driver, LOGIN_URL, '', '') # 實際的賬號和密碼
# 獲取課程資料
fetch_course_data(driver, COURSE_URL)
# 關閉瀏覽器
driver.quit()
if __name__ == "__main__":
main()
輸出資訊:
2.心得體會
在熟練掌握Selenium框架後,我成功實現了對中國大學MOOC網課程資源的自動化爬取。首先,我透過Selenium模擬使用者登入,透過顯式等待(WebDriverWait)處理動態載入的元素,確保登入流程的穩定性。接著,我使用Selenium的XPath定位功能,精準抓取課程資訊,包括課程號、課程名稱、學校名稱、主講教師、團隊成員、參加人數、課程進度和課程簡介等關鍵資料。
作業③
要求:掌握大資料相關服務,熟悉Xshell的使用
完成文件 華為雲_大資料實時分析處理實驗手冊-Flume日誌採集實驗(部分)v2.docx 中的任務,即為下面5個任務,具體操作見文件。
環境搭建:
- 任務一:開通MapReduce服務
實時分析開發實戰: - 任務一:Python指令碼生成測試資料
- 任務二:配置Kafka
- 任務三:安裝Flume客戶端
- 任務四:配置Flume採集資料
2.心得體會
透過使用Flink、Flume和Kafka等工具,我學會了如何構建一個完整的實時資料處理流程。我掌握了Flink SQL的編寫技巧,這讓我能夠靈活地處理和分析流資料。此外,透過DLV服務進行資料視覺化,我學會了如何將處理後的資料以直觀的方式展示出來,這對於資料驅動的決策制定非常有幫助。