爬虫实战selenium模板从开发到部署

问题：根据指定关键字爬取某网站的回答内容

1. 根据指定关键字爬取回答摘要
2. 过滤重复数据
3. 把数据保存到mongodb
4. 部署到服务器上
5. 每隔一个小时爬一次

技术选型

在开始之前需要先对网站进行分析，是否需要登录，防爬做的怎么样，如果网站的防爬做的比较好，并且要爬的数据量并不大，那就选择最简单最通用的方式，也就是用selenium做。

爬的数据是不确定的，采用非关系型数据库比较好，这里使用mongodb

爬虫部署可以使用定时任务，也可以使用爬虫管理系统，这里使用爬虫管理系统部署，像下图这样子的功能。

代码实现

考虑到要部署到服务器上，selenium要设置成无界面的，无界面的selenium有很多坑，下面的代码可以拿去参考。

# -*- coding: UTF-8 -*-from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
import os
import time
import csv
import mongoConfig as mongo

classAnswerItem:def__init__(self):
    self.href =''
    self.question =''
    self.excerpt =''
    self.create_time =None
    self.update_time =Nonedef__str__(self):return"AnswerItem(href="+ self.href +",question="+ self.question + \
           ",excerpt="+ self.excerpt +")"classSpider:def__init__(self, url):
    options = webdriver.ChromeOptions()
    options.add_argument('--headless')
    options.add_argument('--disable-gpu')
    options.add_argument('--no-sandbox')# 这个配置很重要
    options.add_argument(f'user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.79 Safari/537.36')
    self.driver = webdriver.Chrome(chrome_options=options)withopen('./stealth.min.js')as f:
      js = f.read()
      self.driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument",{"source": js
      })
    
    self.url = url

  # 滚动页面到底层defscroll_bottom(self,driver):
    temp_height =0whileTrue:# 循环将滚动条下拉
      driver.execute_script("window.scrollBy(0,1000)")# sleep一下让滚动条反应一下
      time.sleep(0.05)# 获取当前滚动条距离顶部的距离
      check_height = driver.execute_script("return document.documentElement.scrollTop || window.pageYOffset || document.body.scrollTop;")# 如果两者相等说明到底了if check_height == temp_height:
          time.sleep(1)break
      temp_height = check_height
    time.sleep(5)defclose(self):
    self.driver.quit()defparse(self,driver,url):
    driver.get(url)
    time.sleep(10)# 网站是滚动加载的# 滚动页面1次,爬取20条数据
    self.scroll_bottom(driver)

    question_list = driver.find_elements_by_xpath('//div[@class="ListShortcut"]/div/div/div')for index, question inenumerate(question_list):try:# 使页面滚动条移动到指定元素element的位置处
        driver.execute_script("arguments[0].scrollIntoView();", question)
        driver.execute_script("window.scrollBy(0,500)")
        time.sleep(0.1)
        item = AnswerItem()
        href = question.find_element_by_xpath('.//a').get_attribute('href')if'answer'in href:
          question_name = question.find_element_by_xpath('.//a/span').text
          excerpt = question.find_element_by_xpath('.//div[@class="RichContent-inner"]//span').text
          item.href = href
          item.question = question_name
          item.excerpt = excerpt
          print(item)if self.is_exist(item):continue# 保存到数据库
          self.save(item.__dict__)except Exception as err:print(err)'''每次保存数据到mongodb
  '''defsave(self,item):
      item['create_time']= time.strftime("%Y-%m-%d %H:%M:%S",time.localtime())
      item['update_time']= item['create_time']# 保存数据到mongodb
      mongo.save(item)# 判断mongodb数据库中是否存在此链接defis_exist(self,item):return mongo.is_exist_href(item.href)defrun(self):
    self.parse(self.driver,self.url)
    self.close()defmain():
  words =['python','java']for word in words:
    url ='/search?q={}&type=content&time_interval=a_day'.format(word)
    spider = Spider(url)
    spider.run()if __name__ =="__main__":
  main()

mongoConfig.py

from pymongo import MongoClient

collection ="test"defget_db():# 下面的配置记得改成自己的
  user ='root'
  password ='123456'
  host ='0.0.0.0/carve'
  port =27017
  uri ="mongodb://%s:%s@%s"%(user,password,host)
  client = MongoClient(host=uri,port=port)
  db = client['carve']return db

defsave(obj):
    get_db()[collection].insert_one(obj)defis_exist_href(href):
    result = get_db()[collection].find({'href':href},{'href':1})for i in result:returnTruereturnFalse

部署爬虫

selenium的环境搭建

在centos7系统里安装谷歌浏览器及驱动

# 配置yum源cd /etc/yum.repos.d/
vim google-chrome.repo
# 写入以下内容[google-chrome]name=google-chrome
baseurl=http://dl.google.com/linux/chrome/rpm/stable/$basearchenabled=1gpgcheck=1gpgkey=https://dl-ssl.google.com/linux/linux_signing_key.pub
# 更新yumsudo yum update
# 安装Chrome无头浏览器
yum -yinstall google-chrome-stable --nogpgcheck# 查看安装Chrome版本
google-chrome --version# 安装谷歌驱动
https://registry.npmmirror.com/binary.html?path=chromedriver/
# 解压unzip chromedriver_linux64.zip
# 放到/usr/binmv chromedriver /usr/bin

运行爬虫

不想用爬虫管理系统的可以用定时任务命令执行爬虫代码

# 执行crontab命令crontab-e# 编写任务00 */1 * * ? python3 spider.py >> log.txt