需求
一份Excel里有一列是商品Link,要求获取该goods的shop_id,并存入excel对应新的一列
实现
技术手段:
前端
excel里绘制界面UI,调用宏(xlwings框架支持从excel直接调用Python)
逻辑端
- 方案一(放弃)
直接使用request发起请求,拿回response,并正则匹配html里的shop_id字段
结果:已经模拟真实UA了,但是请求久了还是会被Ban了,报ConnectError之类 - 方案二(可使用)
使用seleium
,通过driver.get(‘URL’) 以及 driver.page_source 可拿到html内容,再进行正则匹配,使用下来,每个页面都可以打开,未出现被Ban情况- 执行顺序
- 读取excel,遍历商品Link列,以(行号,商品Link)为tuple,存入Queue中(为了线程安全)
- 使用多线程(threading),提高爬取效率,我创建5个线程,每个线程都传一个Seleium Driver进去,通过Queue.get拿取到上一步的
(行号,商品Link)
,进行获取Shop_id的逻辑,拿到结果后,再把结果以(行号,shop_id)
存入一个新的Queue中 - 最后就是打开原来的excle,根据行号和数据写入新的数据。
- 执行顺序
需求实现了,但是编码上还是不太优雅,还是要多看一些类库源码学习