小猪的Python学习之旅 —— 20.抓取Gank.io所有数据存储到MySQL中

Python 专栏收录该内容
22 篇文章 4 订阅

小猪的Python学习之旅 —— 20.抓取Gank.io所有数据存储到MySQL中

标签:Python


一句话概括本文

内容较多,建议先mark后看,讲解了一波MySQL安装,基本操作,语法速成,DataGrip使用,
链接远程数据库问题,爬取Gank.io API接口,存储到数据,还有遇到的三个问题。


引言

失踪人口回归,工种从开发变成了打杂后,供自己学习和写文章的时间也没以前充裕了,
大部分时间都在处理一些琐事,唉…在学习Python以后,要处理什么问题,我第一个想起
的都是它。比如前段时间在玩的微信小游戏 “萌犬变变变“,前身是网页版的,只是最近迁移
到了小程序上。

游戏大概玩法如下

  • 每隔一段时间,天上会掉下一个快递箱,用户需要用手点开
  • 点开后会有一只狗子,同样的狗子可以合并成一只更高级的狗子;
  • 除了点箱子的方式手机狗,还可以直接在犬社用金币买狗合成;
  • 一个星球里所有狗都集齐了,可以飞到下一个星球,继续合成不同的狗;

游戏的卖点:通过合成解锁各种各样有趣的狗子。

这样的小游戏看上去并不复杂,但是吸金数绝不可小觑,像我这种贫民玩家也
氪了30买月卡,然后排名5W开外:

站在个人视角分析下这个游戏火的原因:

  • 1.很多用户都有轻度的收集癖,会不遗余力地收集虚拟物品,以让自己获得更多
    的满足感,数目越多,会觉得越刺激;
  • 2.诱导社交分享,通过游戏里轮盘抽奖,分享获得两倍收益的套路,以及各种分享
    其他人点开能获得钻石,体力之类的套路;使得他在各种群聊扩散,还被微信禁止诱导分享过,
    后来很快解封了,不知道是不是里面有什么py交易。
  • 3.用户惰性,通过点快递箱子的方式获取狗子,后面升级科技满以后,每1s刷新一个箱子,
    你觉得用户会一直点么?用户都是比较懒的,自动点箱子只需花30买,除了自动点还送钻石,
    每天300钻石,这里又是一个套路,你需要登录才能领取,游戏又保证了用户日活
    绝大部分用户都会为这个便利买单,因为30真的不贵,殊不知掉入了更深的坑;
  • 4.如果你以为你花30买了个会员,挂着等狗子自动合成美滋滋,那你这是太naive了。我们
    来算个数,比如合成2级的狗需要两只1级的狗,合成3级的狗需要4只1级的狗,算式就是2^(级别-1)
    然后呢,每个星球有四个场景,每个场景有6种狗,最后的宇宙场景还要合成4次,计算下就是
    通关一个星球你需要2^(6*4+4-1) = 2^27只一级狗,按照最快每1s生成一只狗的速度,你需要:
    134217728秒=37282小时=1553天=4.25年,So,你会连续挂4年么?所以后面的合成基本都是靠
    买狗,而且狗的价格不是恒定的,越买越贵,所以继续氪金吧,少年。
  • 5.排行榜,刺激土豪用户虚荣心,数据库生成几个牛逼的账号霸榜,诱导前排玩家氪更多钱;
  • 6.贫民玩家也不抛弃,通过轮盘或者各种任务可获得钻石,以此维持游戏日活。

以上就是个人的一些愚见,都差点忘记这个是个开发仔了,说回程序把,关于这个程序,
之前想到用Python做的两件事:

自动点箱子

裁剪快递箱的顶部小角,通过adb命令每隔一秒截屏,利用opencv进行模板匹配,获取图片
中顶部小角的坐标数组,adb命令模拟点击;

轮盘自动点击

先把轮盘的每种结果的执行流程都捋下,点哪里,跳那里,是否设置延时等,接着利用
adb截图,利用ocr图片识别关键字,比如’分享’自动关掉,’偷窃’点确定等。

因为觉得没什么意思,都不玩了,就没去整程序了,大概思路就是上面这样。
说这么多,只是想说明Python,真香。
嗯,扯得有点远了,前面的章节学爬虫,抓取到的数据存过txt,Excel和csv,
这三种对于非开发者来说挺友好的,对于开发仔来说,不存下数据库就说不过了。

数据库又分为两种:关系型数据库非关系型数据库
前者是基于关系模型的数据库,多个二维表通过表与表间的关联关系来组成一个数据库;
后者NoSQL是基于键值对的,数据间没有耦合性,非常高效;

本节使用的就是关系型数据库里的MySQL,相信很多童鞋都知道这个东东了,
编写一波gank.io的爬虫,爬取所有数据存起来,后续用Flask自己写接口玩玩~


1.MySQL安装


环境:阿里云服务器 Ubuntu 16.04

依次键入下述命令安装MySQL:

# 安装MySQL服务,输入Y后,如图会让你输入密码,重复输入确认
sudo apt-get install mysql-server

# 安装MySQL客户端
sudo apt-get install mysql-client

# 安装libmysqlclient,输入Y
sudo apt-get install libmysqlclient-dev

安装完后键入下述命令验证是否安装成功

sudo netstat -tap | grep mysql


2.MySQL基本操作


用户登录

# 回车后,需要输入在安装那里设置的密码
mysql -u root -p

查看数据库

show databases;

选择数据库

use 数据库名

查看数据库里的所有表

show tables;

停止,开始和重启MySQL服务

# 开始服务
/etc/init.d/mysql stop

# 停止服务
/etc/init.d/mysql start

# 重启服务
/etc/init.d/mysql restart

基本的操作就这些,对于数据库的相关操作,再进入数据库
后就可以通过数据库语句完成相关操作了。


3.MySQL数据库语法速成

MySQL数据类型

# 整型(取值范围如果加了unsigned,则最大值翻倍)

TINYINT(m)  1个字节 范围(-128~127);
SMALLINT(m) 2个字节 范围(-32768~32767);
MEDIUMINT(m)    3个字节 范围(-8388608~8388607);
INT(m)  4个字节 范围(-2147483648~2147483647);
BIGINT(m)   8个字节 范围(+-9.22*1018次方);

# 浮点型

FLOAT(m,d)  单精度浮点型 8位精度(4字节) m总个数,d小数位;
DOUBLE(m,d) 双精度浮点型 16位精度(8字节) m总个数,d小数位;

# 字符串
# 1.char(n)若存入字符小于n,以空格补齐后面,查询时再将空格去掉,所以char类型存储
# 的字符串末尾不能有空格。
# 2.char(n)固定长度,不管存几个字符,都占用n个字节
# 3.varchar(n)可变长度,存入的实际字符数+1个字节(n<=255)或2个字节(n>255)
# 4.char类型的字符串检索速度要比varchar类型的快
# 5.text类型不能有默认值,varchar查询速度快于text

CHAR(n) 固定长度,最多255个字符;
VARCHAR(n)  可变长度,最多65535个字符;
TINYTEXT    可变长度,最多255个字符;
TEXT    可变长度,最多65535个字符;
MEDIUMTEXT  可变长度,最多224次方-1个字符;
LONGTEXT    可变长度,最多232次方-1个字符;

# 二进制数据

_BLOB 以二进制方式存储,不分大小写,不用指定字符集,只能整体读出;
_TEXT 以文本方式存储,英文存储区分大小写,可以指定字符集;


# 日期时间类型

DATE    日期
TIME    时间
DATETIME    日期时间
TIMESTAMP   自动存储记录修改时间

数据类型的属性

NULL    数据列可包含NULLNOT NULL    数据列不允许包含NULLDEFAULT 默认值
PRIMARY KEY 主键
AUTO_INCREMENT  自动递增,适用于整数类型
UNSIGNED    无符号
CHARACTER SET name  指定一个字符集

库操作相关

# 建库
CREATE DATABASE 数据库名;

# 删库(删除数据库无法恢复!!!),删除不存在的库会报
# database doesn't exist的错误,故先用IF EXISTS判断下。
DROP DATABASE IF EXISTS 数据库名;

表操作相关

# 建表,比如
CREATE TABLE test
(
  _id  VARCHAR(50)            NOT NULL PRIMARY KEY,
  dsec   TEXT                   NULL,
  images TEXT                   NULL,
  url    TEXT                   NULL,
  type   VARCHAR(50) DEFAULT '' NULL
);

# 清空表数据,整体删除,速度较快,会重置Identity(标识列、自增字段)
TRUNCATE 表名

# 删除表中数据,逐条删除,速度较慢,不会重置Identity,配合WHERE关键字可以删除部分
DELETE FROM 表名 

# 删表
DROP TABLE 表名

# 重命名表
ALTER TABLE 原表名 RENAME 新表名;
RENAME TABLE 原表名 TO 新表名;

# 增加列
ALTER TABLE 表名 Add column 新字段 数据类型 AFTER 在哪个字段后添加

# 删除列
ALTER TABLE 表名 DROP 字段名;

# 重命名列/数据类型
ALTER TABLE 表名 CHANGE 原列名 新列名 数据类型;

# 增加主键
ALTER TABLE 表名 ADD PRIMARY KEY (主键名);

# 删除主键
ALTER TABLE 表名 DROP PRIMARY KEY;

# 添加唯一索引
ALTER TABLE 表名 ADD UNIQUE 索引名 (列名);

# 添加普通索引
ALTER TABLE 表名 ADD INDEX 索引名 (列名);

# 删除索引
ALTER TABLE 表名 DROP INDEX 索引名;

# 把表默认的字符集和所有字符列(CHAR, VARCHAR, TEXT)改为新的字符集:
ALTER TABLE 表名 CONVERT TO CHARACTER SET utf8;

# 修改表某一列的编码
ALTER TABLE 表名 CHANGE 列名 varchar(255) CHARACTER SET utf8;

# 仅仅改变一个表的默认字符集
ALTER TABLE 表名 DEFAULT CHARACTER SET utf8;

增删改查(INSERT,DELETE,UPDATE,SELECT)

关键词就上面几个,通过一个完整示例来快速上手MySQL

# 建新数据库
CREATE DATABASE test

# 新建一个表person,字段有(自增id,名字,年龄,性别)
CREATE TABLE person(
  id INT AUTO_INCREMENT PRIMARY KEY,
  name VARCHAR(30) NOT NULL DEFAULT '',
  age INT,
  sex CHAR(2)
);

# 往表中插入5条数据
INSERT INTO person (name, age, sex) VALUES ('小明', 8, '男');
INSERT INTO person (name, age, sex) VALUES ('小红', 14, '女');
INSERT INTO person (name, age, sex) VALUES ('小白', 4, '男');
INSERT INTO person (name, age, sex) VALUES ('小宝', 6, '男');
INSERT INTO person (name, age, sex) VALUES ('小莉', 16, '女');

# 更新表中数据(不添加WHERE子句筛选,更新的会是整个表的某列)
UPDATE person SET age = 10, sex = '女' WHERE name = '小明';

# 往表里插入数据,如果某自动已存在则更新数据
INSERT INTO person (id,name, age, sex) VALUES (1,'小明', 20, '男') ON DUPLICATE KEY UPDATE age = '20';

# 删除特定记录
DELETE FROM person WHERE age < 10;

# 查询数据
SELECT * FROM person;   #查询所有数据
SELECT name,age FROM person;    #查询特定列
SELECT name AS '姓名',age AS '年龄'FROM person; #为检索出来的列设置别名
SELECT name FROM person WHERE age > 15 AND age <=20;    # 条件查询
SELECT name FROM person WHERE age BETWEEN 15 AND 20;    # 范围查询

# 数据求总和,平均值,最大,最小值,记录数
SELECT SUM(age),AVG(age), MAX(age),MIN(age), COUNT(age) FROM person;

# 查询的时候排序:升序(ASC),降序(DESC)
SELECT * FROM person ORDER BY age ASC;

事务

BEGIN # 开始一个事务
COMMIT  # 事务确认
ROLLBACK # 事务回滚

关于MySQL的基本语法就到这里,本节够用了,其他的后续用到再讲~


4.数据库图形化工具——DataGrip

一般来讲数据库操作很少写命令,基本都会依赖一些图形化工具来提高效率,
关于MySQL的图形化工具,网上貌似挺多的,大部分用的貌似是Navicat for mysql
(我司后台用的就是这个),不过我还是选择了idea全家桶里的DataGrip,没有为什么…

建立数据库关联

依次点击 New -> DataSource -> MySQL
如图依次配置下Host,Database,User,Password,然后Test Connection测试是否
连接成功,成功的话点击Ok**粗体文本**。

本地是这样,如果你的数据库不在本机而是在云服务器上,就要另外折腾了。

设置mysql允许远程访问

mysql默认是不允许远程访问的,笔者用的是阿里云的服务器,在连接远程仓库
的时候也遇到一些问题,顺带记录下,方便后来者。(下述操作发生在服务器上已经安装了mysql环境后!)

Step 1:云服务器开启安全组里的3306端口

Step 2停止mysql服务

/etc/init.d/mysql stop

Step 3:修改my.cnf文件,注释掉bind-address = 127.0.0.1,键入sq保存退出;

vim /etc/mysql/my.cnf

Step 4:启动mysql服务

/etc/init.d/mysql start

Step 5:输入下述命令查看当前3306端口的状态

netstat -an|grep 3306

Step 6修改访问权限

mysql -u root -p    # 用户登录
use mysql;  # 选中mysql数据库
GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY '密码' WITH GRANT OPTION;    # 授权
FLUSH PRIVILEGES;   # 更新权限
EXIT # 退出mysql

PS:上面设置的结果是所有ip都能访问数据库,如需指定特定ip才能访问的话,
可以把'@'%改成特定ip。还有这里用的是root账户,你可以通过下述命令
创建一个新的用户,然后用这个用户进行访问,可以由此做一些权限控制操作。

CREATE USER 新用户 IDENTIFIED BY '密码';
GRANT ALL PRIVILEGES ON *.* TO '新用户'@'%' IDENTIFIED BY '密码' WITH GRANT OPTION;    # 授权
FLUSH PRIVILEGES;

Step 7:连接远程mysql

这里用的是DataGrip进行连接,右键,new -> Data Source -> MySQL
这里要先配置SSH或者SSL,端口默认是22

再接着配置远程数据库相关,端口3306

配置完后点击Test Connection成功后,点击OK即可。

中途如果出现了异常,比如SSH Auth ERROR可能就是SSH密码错误;
除此之外的MySQL异常或问题可自行查阅:
云服务器 ECS Linux MySQL 无法远程连接问题常见错误及解决办法


5.编写爬虫程序

准备得差不多了,接着来编写爬虫程序了,因为代码家已经提供了
API接口,这里就不一个个网页爬取了,直接抓接口。

分析下接口:
有六种不同类型的数据:Android, iOS, 休息视频, 福利, 拓展资源, 前端, 瞎推荐, App
然后每个接口取五个需要的字段:_id, dsec, images, url, type

所以要做的第一件事:循环建表

接着定义一个Gank类

再接着定义一个网数据库里插入数据的函数(参数是一个gank对象列表):

再定义一个爬取接口数据的方法

接着main函数调用下,

运行等待程序抓取完成,完成后可以直接代码查询:

或者直接通过DataGrip查看:


6.遇到的三个问题

字段长度不够

接口返回的数据里有些字段比如标题和URL巨长,一开始用了varchar(250)的,
报错提示某列什么错误,后来就全改成TEXT了。

特殊符号和表情问题

因为有些标题里包含特殊符号和表情,在插入数据的时候报错,大概是这样的:
Incorrect string value: ‘\xF0\x9F…’ for column ‘XXX’ at row 1

原因是:UTF-8编码有可能是两个、三个、四个字节。Emoji表情或者某些特殊字符是4个字节,
Mysql的utf8编码最多3个字节,所以数据插不进去。MySQL在5.5.3版本之后增加了
utf8mb4的编码,专门用来兼容四字节的unicode。理论上将字符集修改为utf8mb4
不会对已有的utf8编码读取产生任何问题。官方解释:
10.9.1 The utf8mb4 Character Set (4-Byte UTF-8 Unicode Encoding)

解决过程

Step 1:打开终端,键入:locale my.cnf 定位到文件位置(window下是my.ini):

Step 2vim etc/mysql/my.cnf 追加下述内容,wq保存:

[mysqld]
character-set-server=utf8mb4

[client]
default-character-set=utf8mb4

[mysql]
default-character-set=utf8mb4

Step 3:重启MySQL服务器

Step 4:进入mysql,然后键入show variables like ‘%character%’;确认设置是否生效

Step 5更改数据库,表,列编码

ALTER DATABASE 数据库名 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_unicode_ci;  
ALTER TABLE 表名 CONVERT TO CHARACTER SET utf8mb4 COLLATE utf8mb4_bin;  
ALTER TABLE 表名 CHANGE 列名 VARCHAR(191) CHARACTER SET utf8mb4 COLLATE utf8mb4_bin;

到此问题就解决了,此时打开数据库表可以看到对应记录已存入,不过是显示成问号
的形式,读取到数据显示到支持emoji表情的页面上就可以了,比如手机。

DataGrip只能存500条记录?

打开一个表看到里面的数据只有500条,试了几次还是这样,以为DataGrip只能存储500条数据,
后来发现这里有个501+,分页,so,点击右面那个类似于播放的按钮就可以切换区间了!


小结

开头扯了一下犊子,接着详细讲解了一波MySQL相关的东西,接着写了一波简单爬虫
爬取gank.io,存储数据的方式又新增了数据库一种~


参考文献


附:最终代码(都可以在:https://github.com/coder-pig/ReptileSomething 找到):

# 抓取Gank.io所有文章的爬虫

import pymysql
import requests as rq
import urllib
import coderpig_n as cn

gank_api = "http://gank.io/api/data/"

# 各种分类的表名:Android,iOS,休息视频,福利,拓展资源,前端,瞎推荐,App
category_list = ["android", "ios", "video", "meizi", "other", "fed", "random", "app"]
type_list = ["Android", "iOS", "休息视频", "福利", "拓展资源", "前端", "瞎推荐", "App"]
column_list = ('_id', 'dsec', 'images', 'url', 'type')


def init_db():
    db = pymysql.connect(host='localhost', user='root', password='zpj12345', port=3306, db='gank', charset="utf8")
    cursor = db.cursor()
    try:
        for category in category_list:
            sql = "CREATE TABLE IF NOT EXISTS %s (" \
                  "_id  VARCHAR(50) NOT NULL," \
                  "dsec TEXT," \
                  "images  TEXT," \
                  "url  TEXT," \
                  "type VARCHAR(50)  DEFAULT ''," \
                  "PRIMARY KEY (_id))" % category
            cursor.execute(sql)
        db.close()
    except:
        pass


class Gank:
    _id = dsec = images = url = type = ''

    def __init__(self, _id, dsec, images, url, type):
        self._id = _id
        self.dsec = dsec
        self.images = images
        self.url = url
        self.type = type

    # 以元组的方式返回值
    def to_value_tuple(self):
        return self._id, self.dsec, self.images, self.url, self.type


def insert_db(gank_list):
    db = pymysql.connect(host='localhost', user='root', password='zpj12345', port=3306, db='gank', charset="utf8")
    cursor = db.cursor()
    try:
        for data in gank_list:
            if data.type in type_list:
                category = category_list[type_list.index(data.type)]
                data_tuple = data.to_value_tuple()
                sql = 'INSERT INTO {table}({keys}) VALUES ({values})'.format(table=category,
                                                                             keys=','.join(column_list),
                                                                             values=','.join(['%s'] * len(data_tuple)))
                cursor.execute(sql, data_tuple)
                print(data_tuple)
        db.commit()
    except Exception as e:
        print(str(e))
        db.rollback()
    db.close()


def spider_data(pos):
    count = 1
    while True:
        resp = rq.get(gank_api + urllib.parse.quote(type_list[pos]) + "/50/" + str(count), proxies=cn.get_proxy_ip())
        resp_json = resp.json()
        print(resp.url)
        if resp.status_code == 200 and len(resp_json['results']) != 0:
            json_list = []
            for result in resp_json['results']:
                images = result.get('images')
                if images is None:
                    images = ''
                else:
                    images = images[0]
                gank = Gank(result['_id'], result['desc'], images, result.get('url', ''),
                            result['type'])
                json_list.append(gank)
            insert_db(json_list)
        else:
            break
        count += 1


if __name__ == '__main__':
    init_db()
    for i in range(0, len(type_list)):
        spider_data(i)

    db = pymysql.connect(host='localhost', user='root', password='zpj12345', port=3306, db='gank', charset="utf8")
    cursor = db.cursor()
    cursor.execute('SELECT * FROM android')
    print(cursor.rowcount)
    results = cursor.fetchall()
    for result in results:
        print(result)
    cursor.close()

来啊,Py交易啊

想加群一起学习Py的可以加下,智障机器人小Pig,验证信息里包含:
PythonpythonpyPy加群交易屁眼 中的一个关键词即可通过;

验证通过后回复 加群 即可获得加群链接(不要把机器人玩坏了!!!)~~~
欢迎各种像我一样的Py初学者,Py大神加入,一起愉快地交流学♂习,van♂转py。


  • 0
    点赞
  • 0
    评论
  • 3
    收藏
  • 一键三连
    一键三连
  • 扫一扫,分享海报

相关推荐
©️2020 CSDN 皮肤主题: 撸撸猫 设计师:马嘣嘣 返回首页
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值