AyugeSpiderTools 1.0.0

一些爬虫开发中简单的工具集

AyugeSpiderTools 工具说明

本文章用于说明在爬虫开发中遇到的各种通用方法，将其打包成 Pypi 包以方便安装和使用，此工具会长久维护。

前言

在 Python 开发时会遇到一些经常使用的模块，为了更方便地使用这些模块，我们需要将其打包并发布到 Pypi 上。

项目状态

目前项目正处于积极开发和维护中

项目创建初期，且包含各阶段时期的代码，会出现代码风格不统一，代码杂乱，文档滞后和测试文件不全的问题，近期会优化此情况。

项目目前暂定主要包含两大部分：

• 开发场景中的工具库
  • 比如 MongoDB，Mysql sql 语句的生成，图像处理，数据处理相关 ... ...
• Scrapy 扩展功能
  • 使爬虫开发无须在意数据库和数据表结构，不用去管常规 item, pipelines 和 middlewares 的文件的编写

注：具体内容请查看本文中的 [TodoList](# TodoList) 内容

1. 前提条件

python 3.8+ 可以直接输入以下命令：

pip install ayugespidertools -i https://pypi.org/simple

python 3.8 以下的版本，请自行安装以下依赖：

opencv-python = "^4.6.0"
numpy = "^1.23.1"
PyExecJS = "^1.5.1"
environs = "^9.5.0"
requests = "^2.28.1"
loguru = "^0.6.0"
Pillow = "^9.2.0"
PyMySQL = "^1.0.2"
Scrapy = "^2.6.2"
pandas = "^1.4.3"
WorkWeixinRobot = "^1.0.1"
pytest = "^6.2.5"
crawlab-sdk
retrying = "^1.3.3"
# 这个 pymongo 库必须为 3.11.0 及以下，会有兼容问题，以后优化
pymongo = "3.11.0"
SQLAlchemy = "^1.4.39"
DBUtils = "^3.0.2"
itemadapter = "^0.7.0"

注：pymongo 版本要在 3.11.0 及以下的要求是因为我的 MongoDB 的版本为 3.4；若依赖库中的库有版本冲突，请去除版本限制即可。

2. 功能介绍

2.1. 数据格式化

目前此场景下的功能较少，后面会慢慢丰富其功能

2.1.1. get_full_url

根据域名 domain_name 拼接 deal_url 来获得完整链接，示例如下：

full_url = FormatData.get_full_url(domain_name="https://static.geetest.com", deal_url="/captcha_v3/batch/v3/2021-04-27T15/word/4406ba6e71cd478aa31e0dca37601cd4.jpg")

输出为：

https://static.geetest.com/captcha_v3/batch/v3/2021-04-27T15/word/4406ba6e71cd478aa31e0dca37601cd4.jpg

2.1.2. click_point_deal

将小数 decimal 保留小数点后 decimal_places 位，结果四舍五入，示例如下：

res = FormatData.click_point_deal(13.32596516, 3)

输出为：

13.326

2.1.3. normal_to_stamp

将网页中显示的正常时间转为时间戳

normal_stamp = FormatData.normal_to_stamp("Fri, 22 Jul 2022 01:43:06 +0800")
print("normal_stamp1:", normal_stamp)

normal_stamp = FormatData.normal_to_stamp("Thu Jul 22 17:59:44 2022")
print("normal_stamp2:", normal_stamp)

normal_stamp = FormatData.normal_to_stamp("2022-06-21 16:40:00")

normal_stamp = FormatData.normal_to_stamp("2022/06/21 16:40:00")
print("normal_stamp4:", normal_stamp)

normal_stamp = FormatData.normal_to_stamp("2022/06/21", date_is_full=False)
print("normal_stamp4_2:", normal_stamp)

# 当是英文的其他格式，或者混合格式时，需要自己自定时间格式化符
normal_stamp = FormatData.normal_to_stamp(normal_time="2022/Dec/21 16:40:00", _format_t="%Y/%b/%d %H:%M:%S")
print("normal_stamp5:", normal_stamp)

输出为：

normal_stamp1: 1658425386
normal_stamp2: 1658483984
normal_stamp3: 1655800800
normal_stamp4: 1655800800
normal_stamp4_2: 1655740800
normal_stamp5: 1671612000

2.2. 图片相关操作

2.2.1. 滑块验证码缺口距离识别

通过背景图片和缺口图片识别出滑块距离，示例如下：

# 参数为图片全路径的情况
gap_distance = Picture.identify_gap("doc/image/2.jpg", "doc/image/1.png")
print("滑块验证码的缺口距离1为：", gap_distance)
assert gap_distance in list(range(205, 218))

# 参数为图片 bytes 的情况
with open("doc/image/1.png", "rb") as f:
target_bytes = f.read()
with open("doc/image/2.jpg", "rb") as f:
template_bytes = f.read()
gap_distance = Picture.identify_gap(template_bytes, target_bytes, "doc/image/33.png")
print("滑块验证码的缺口距离2为：", gap_distance)

结果为：

2.2.2. 滑块验证轨迹生成

根据滑块缺口的距离生成轨迹数组，目前也不是通用版。

tracks = VerificationCode.get_normal_track(space=120)

结果为：

生成的轨迹为： [[2, 2, 401], [4, 4, 501], [8, 6, 603], [13, 7, 701], [19, 7, 801], [25, 7, 901], [32, 10, 1001], [40, 12, 1101], [48, 14, 1201], [56, 15, 1301], [65, 18, 1401], [74, 19, 1501], [82, 21, 1601], [90, 21, 1701], [98, 22, 1801], [105, 23, 1901], [111, 25, 2001], [117, 26, 2101], [122, 28, 2201], [126, 30, 2301], [128, 27, 2401], [130, 27, 2502], [131, 30, 2601], [131, 28, 2701], [120, 30, 2802]]

2.3. Mysql 相关

sql 语句简单场景生成，目前是残废版，只适用于简单场景。

更多复杂的场景请查看 directsql, python-sql, pypika 或 pymilk 的第三方库实现，以后会升级本库的方法。

# mysql 连接
mysql_client = MysqlClient.MysqlOrm(NormalConfig.PYMYSQL_CONFIG)

# test_select_data
sql_pre, sql_after = SqlFormat.select_generate(db_table="newporj", key=["id", "title"], rule={"id|<=": 5}, order_by="id")
status, res = mysql_client.search_data(sql_pre, sql_after, type="one")

# test_insert_data
insert_sql, insert_value = SqlFormat.insert_generate(db_table="user", data={"name": "zhangsan", "age": 18})
mysql_client.insert_data(insert_sql, insert_value)

# test_update_data
update_sql, update_value = SqlFormat.update_generate(db_table="user", data={"score": 4}, rule={"name": "zhangsan"})
mysql_client.update_data(update_sql, update_value)

2.4. 自动化相关

目前是残废阶段，以后放上一些自动化相关操作

2.5. 执行 js 相关

鸡肋封装，以后会优化和添加多个常用功能

# 测试运行 js 文件中的方法
js_res = RunJs.exec_js("doc/js/add.js", "add", 1, 2)
print("test_exec_js:", js_res)
assert js_res

# 测试运行 ctx 句柄中的方法
with open('doc/js/add.js', 'r', encoding='utf-8') as f:
    js_content = f.read()
ctx = execjs.compile(js_content)

js_res = RunJs.exec_js(ctx, "add", 1, 2)
print("test_exec_js_by_file:", js_res)
assert js_res

3. Scrapy 扩展功能

此功能单开一个章节，此扩展使爬虫开发不用考虑 Scrapy 的 item 文件，内置通用的 middlewares 中间件方法（随机请求头，动态/独享代理等），和常用的pipelines 方法（Mysql，MongoDB 存储，Kafka，RabbitMQ 推送队列等）。开发人员只需配置并激活相关配置即可，可以专注于爬虫 spider 的开发。

这里的内容也比较多，请移步到 Github 上的 DemoSpdier 项目中查看。

4. 总结

项目目前是疯狂开发阶段，会慢慢丰富 python 开发中的遇到的通用方法。

TodoList

• 添加常用的图片验证码中的图片处理方法
  • 滑块缺口距离的识别方法
  • 根据滑块距离生成轨迹数组的方法
  • 识别点选验证码位置及点击顺序，识别结果不太好，待优化
  • ... ...
• scrapy 的扩展功能开发（会优先更新此功能）
  • scrapy 结合 crawlab 的日志统计功能
  • scrapy 脚本运行信息统计和项目依赖表采集量统计，可用于日志记录和预警
  • 自定义模板，在 scrapy startproject 和 scrapy genspider 时生成适合本库的模板文件
  • 增加根据 nacos 来获取配置的功能 -> 改为增加根据 consul 来获取配置的功能
  • 代理中间件（独享代理、动态隧道代理）
  • 随机请求头 UA 中间件，根据 fake_useragent 中的权重来随机
  • 使用以下工具来替换 scrapy 的发送请求
    • selenum: 性能没有 pyppeteer 强
    • pyppeteer: Gerapy-pyppeteer 库已经实现此功能
    • requests: 这个不推荐使用，requests 同步库会降低 scrapy 运行效率
    • splash
    • aiohttp: 集成将 scrapy Request 替换为 aiohttp 的协程方式
  • Mysql 存储的场景下适配
    • 自动创建 Mysql 用户场景下需要的数据库和数据表及字段格式，还有字段注释
  • MongoDB 存储的场景下适配
  • 集成 Kafka，RabbitMQ 等数据推送功能
  • ... ...
• 常用的数据处理相关
  • sql 语句拼接，只是简单场景，后续优化。已给出优化方向，参考库等信息。
  • mongoDB 语句拼接
  • 数据格式化处理，比如：去除网页标签，去除无效空格等
  • ... ...