spider-07
发布日期:2021-06-29 12:07:07
浏览次数:2
分类:技术文章
本文共 6647 字,大约阅读时间需要 22 分钟。
Day07笔记
分布式爬虫
-
分布式爬虫介绍
-
多台主机共享一个爬取队列
【1】原理 多台主机共享1个爬取队列 scrapy的调度器本身不支持分布式 【2】实现 2.1) 重写scrapy调度器(scrapy_redis模块) 2.2) sudo pip3 install scrapy_redis
-
为什么使用redis
【1】Redis基于内存,速度快【2】Redis非关系型数据库,Redis中集合,存储每个request的指纹
scrapy_redis详解
-
GitHub地址
https://github.com/rmax/scrapy-redis
-
settings.py说明
# 重新指定调度器: 启用Redis调度存储请求队列SCHEDULER = "scrapy_redis.scheduler.Scheduler"# 重新指定去重机制: 确保所有的爬虫通过Redis去重DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"# 不清除Redis队列: 暂停/恢复/断点续爬(默认清除为False,设置为True不清除)SCHEDULER_PERSIST = True# 优先级队列 (默认)SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'#可选用的其它队列# 先进先出SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.FifoQueue'# 后进先出SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.LifoQueue'# redis管道ITEM_PIPELINES = { 'scrapy_redis.pipelines.RedisPipeline': 300}#指定连接到redis时使用的端口和地址REDIS_HOST = 'localhost'REDIS_PORT = 6379
腾讯招聘分布式改写
-
分布式爬虫完成步骤
【1】首先完成非分布式scrapy爬虫 : 正常scrapy爬虫项目抓取【2】设置,部署成为分布式爬虫
-
分布式环境说明
【1】分布式爬虫服务器数量: 2(其中1台Windows,1台Ubuntu虚拟机)【2】服务器分工: 2.1) Windows : 负责数据抓取 2.2) Ubuntu : 负责URL地址统一管理,同时负责数据抓取
-
腾讯招聘分布式爬虫 - 数据同时存入1个Redis数据库
【1】完成正常scrapy项目数据抓取(非分布式 - 拷贝之前的Tencent)【2】设置settings.py,完成分布式设置 2.1-必须) 使用scrapy_redis的调度器 SCHEDULER = "scrapy_redis.scheduler.Scheduler" 2.2-必须) 使用scrapy_redis的去重机制 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" 2.3-必须) 定义redis主机地址和端口号 REDIS_HOST = '192.168.1.107' REDIS_PORT = 6379 2.4-非必须) 是否清除请求指纹,True:不清除 False:清除(默认) SCHEDULER_PERSIST = True 2.5-非必须) 在ITEM_PIPELINES中添加redis管道,数据将会存入redis数据库 'scrapy_redis.pipelines.RedisPipeline': 200 【3】把代码原封不动的拷贝到分布式中的其他爬虫服务器,同时开始运行爬虫【结果】:多台机器同时抓取,数据会统一存到Ubuntu的redis中,而且所抓数据不重复
-
腾讯招聘分布式爬虫 - 数据存入MySQL数据库
"""和数据存入redis步骤基本一样,只是变更一下管道和MySQL数据库服务器的IP地址"""【1】settings.py 1.1) SCHEDULER = 'scrapy_redis.scheduler.Scheduler' 1.2) DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter' 1.3) SCHEDULER_PERSIST = True 1.4) REDIS_HOST = '192.168.1.105' 1.5) REDIS_PORT = 6379 1.6) ITEM_PIPELINES = { 'Tencent.pipelines.TencentMysqlPipeline' : 300} 1.7) MYSQL_HOST = '192.168.1.105' 【2】将代码拷贝到分布式中所有爬虫服务器【3】多台爬虫服务器同时运行scrapy爬虫# 赠送腾讯MySQL数据库建库建表语句"""create database tencentdb charset utf8;use tencentdb;create table tencenttab(job_name varchar(1000),job_type varchar(200),job_duty varchar(5000),job_require varchar(5000),job_address varchar(200),job_time varchar(200))charset=utf8;"""
机器视觉与tesseract
-
概述
【1】作用 处理图形验证码【2】三个重要概念 - OCR、tesseract-ocr、pytesseract 2.1) OCR 光学字符识别(Optical Character Recognition),通过扫描等光学输入方式将各种票据、报刊、书籍、文稿及其它印刷品的文字转化为图像信息,再利用文字识别技术将图像信息转化为电子文本 2.2) tesseract-ocr OCR的一个底层识别库(不是模块,不能导入),由Google维护的开源OCR识别库 2.3) pytesseract Python模块,可调用底层识别库,是对tesseract-ocr做的一层Python API封装
-
安装tesseract-ocr
【1】Ubuntu安装 sudo apt-get install tesseract-ocr【2】Windows安装 2.1) 下载安装包 2.2) 添加到环境变量(Path)【3】测试(终端 | cmd命令行) tesseract xxx.jpg 文件名
-
安装pytesseract
【1】安装 sudo pip3 install pytesseract 【2】使用示例 import pytesseract # Python图片处理库 from PIL import Image # 创建图片对象 img = Image.open('test1.jpg') # 图片转字符串 result = pytesseract.image_to_string(img) print(result)
补充 - 滑块缺口验证码案例
豆瓣网登录
-
案例说明
【1】URL地址: https://www.douban.com/【2】先输入几次错误的密码,让登录出现滑块缺口验证,以便于我们破解【3】模拟人的行为 3.1) 先快速滑动 3.2) 到离重点位置不远的地方开始减速【4】详细看代码注释
-
代码实现
"""说明:先输入几次错误的密码,出现滑块缺口验证码"""from selenium import webdriver# 导入鼠标事件类from selenium.webdriver import ActionChainsimport time# 加速度函数def get_tracks(distance): """ 拿到移动轨迹,模仿人的滑动行为,先匀加速后匀减速 匀变速运动基本公式: ①v=v0+at ②s=v0t+½at² """ # 初速度 v = 0 # 单位时间为0.3s来统计轨迹,轨迹即0.3内的位移 t = 0.3 # 位置/轨迹列表,列表内的一个元素代表0.3s的位移 tracks = [] # 当前的位移 current = 0 # 到达mid值开始减速 mid = distance*4/5 while current < distance: if current < mid: # 加速度越小,单位时间内的位移越小,模拟的轨迹就越多越详细 a = 2 else: a = -3 # 初速度 v0 = v # 0.3秒内的位移 s = v0*t+0.5*a*(t**2) # 当前的位置 current += s # 添加到轨迹列表 tracks.append(round(s)) # 速度已经达到v,该速度作为下次的初速度 v = v0 + a*t return tracks # tracks: [第一个0.3秒的移动距离,第二个0.3秒的移动距离,...]# 1、打开豆瓣官网 - 并将窗口最大化browser = webdriver.Chrome()browser.maximize_window()browser.get('https://www.douban.com/')# 2、切换到iframe子页面login_frame = browser.find_element_by_xpath('//*[@id="anony-reg-new"]/div/div[1]/iframe')browser.switch_to.frame(login_frame)# 3、密码登录 + 用户名 + 密码 + 登录豆瓣browser.find_element_by_xpath('/html/body/div[1]/div[1]/ul[1]/li[2]').click()browser.find_element_by_xpath('//*[@id="username"]').send_keys('15110225726')browser.find_element_by_xpath('//*[@id="password"]').send_keys('zhanshen001')browser.find_element_by_xpath('/html/body/div[1]/div[2]/div[1]/div[5]/a').click()time.sleep(4)# 4、切换到新的iframe子页面 - 滑块验证auth_frame = browser.find_element_by_xpath('//*[@id="TCaptcha"]/iframe')browser.switch_to.frame(auth_frame)# 5、按住开始滑动位置按钮 - 先移动180个像素element = browser.find_element_by_xpath('//*[@id="tcaptcha_drag_button"]')# click_and_hold(): 按住某个节点并保持ActionChains(browser).click_and_hold(on_element=element).perform()# move_to_element_with_offset(): 移动到距离某个元素(左上角坐标)多少距离的位置ActionChains(browser).move_to_element_with_offset(to_element=element,xoffset=180,yoffset=0).perform()# 6、使用加速度函数移动剩下的距离tracks = get_tracks(28)for track in tracks: # move_by_offset() : 鼠标从当前位置移动到某个坐标 ActionChains(browser).move_by_offset(xoffset=track,yoffset=0).perform()# 7、延迟释放鼠标: release()time.sleep(0.5)ActionChains(browser).release().perform()
Fiddler抓包工具
-
配置Fiddler
【1】Tools -> Options -> HTTPS 1.1) 添加证书信任: 勾选 Decrypt Https Traffic 后弹出窗口,一路确认 1.2) 设置之抓浏览器的包: ...from browsers only【2】Tools -> Options -> Connections 2.1) 设置监听端口(默认为8888)【3】配置完成后重启Fiddler('重要') 3.1) 关闭Fiddler,再打开Fiddler
-
配置浏览器代理
【1】安装Proxy SwitchyOmega谷歌浏览器插件【2】配置代理 2.1) 点击浏览器右上角插件SwitchyOmega -> 选项 -> 新建情景模式 -> myproxy(名字) -> 创建 2.2) 输入 HTTP:// 127.0.0.1 8888 2.3) 点击 :应用选项 【3】点击右上角SwitchyOmega可切换代理【注意】: 一旦切换了自己创建的代理,则必须要打开Fiddler才可以上网
-
Fiddler常用菜单
【1】Inspector :查看数据包详细内容 1.1) 整体分为请求和响应两部分 【2】Inspector常用菜单 2.1) Headers :请求头信息 2.2) WebForms: POST请求Form表单数据 : GET请求查询参数:
2.3) Raw : 将整个请求显示为纯文本
移动端app数据抓取
-
方法1 - 手机 + Fiddler
设置方法见文件夹 - 移动端抓包配置
-
方法2 - F12浏览器工具
有道翻译手机版破解案例
import requestsfrom lxml import etreeword = input('请输入要翻译的单词:')post_url = 'http://m.youdao.com/translate'post_data = { 'inputtext':word, 'type':'AUTO'}html = requests.post(url=post_url,data=post_data).textparse_html = etree.HTML(html)xpath_bds = '//ul[@id="translateResult"]/li/text()'result = parse_html.xpath(xpath_bds)[0]print(result)
转载地址:https://blog.csdn.net/z_202041/article/details/117944946 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!
发表评论
最新留言
留言是一种美德,欢迎回访!
[***.207.175.100]2024年04月04日 16时50分24秒
关于作者
喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!
推荐文章
Java NIO —— 用 Path 取代 File
2019-04-29
毕业后的五年拉开大家差距的原因在哪里?
2019-04-29
Java Callable、Future、FutureTask
2019-04-29
Java 父线程与子线程相互通信的方法
2019-04-29
Java 逃逸分析
2019-04-29
Java 装饰模式
2019-04-29
Java 观察者模式
2019-04-29
Java ReentrantLock源码解读
2019-04-29
Java CompletableFuture
2019-04-29
缓存行、伪共享
2019-04-29
Redis 六种淘汰策略和三种删除策略
2019-04-29
Java LinkedHashMap
2019-04-29
PostgreSQL 关闭session链接
2019-04-29
JPA 多线程同时对一条数据进行Update的问题
2019-04-29
JPA 多线程对数据进行更新,Update和Insert同时存在的问题
2019-04-29
Java 高性能队列Disruptor
2019-04-29
SpringBoot 使用https
2019-04-29
Java 读写锁
2019-04-29
JVM Minor GC、Full GC和Major GC
2019-04-29