天天最新：【爬取红岭创投】存储在mysql数据库中的无头模式

目标

(资料图片仅供参考)

爬取红岭创投(https://www.my089.com/)日投资发标记录,存储在mysql数据库中,并将数据可视化以便分析.

行动

爬取数据

通过selenium+FIrefox的无头模式将需要的数据爬取出来,代码实现不在赘述,详细步骤可查看我的上一篇图文(如何利用Python爬取网易新闻),selenium3.11.0版本已经停止对phantomjs的支持,现在可以使用chrome和firefox的无头模式实现该功能. 打开无头模式:

from selenium.webdriver.firefox.options import Optionsfirefox_options=webdriver.FirefoxOptions()firefox_options.add_argument("--headless")firefox_options.add_argument("--disable-gpu")

一个疑问:

使用ubuntu的crontab定时任务运行此爬虫脚本时,如果不打开无头模式,报错如下:

selenium.comm.exception.WebDriverException:message:invalid argument :can"tkill an exited process

没能理解这个报错的原因,希望与大家一起讨论.

存储数据

数据库这次选择了mysql, 首先需要建立自己的数据库,建立相应表格,这里推荐使用 Navicat,能够将数据库操作图形化.navicat需要做一些配置,网上有大量教程,建表时需要注意类型,选择正确的类型在后续使用时会减少很多麻烦,例如:

VARCHAR和CHAR类型

varchar适用场景:

字符串列的最大长度比平均长度大很多字符串列很少被更新使用了多字节字符集存储字符串（如utf8中的中文和英文）

char适用场景:

存储长度近似的值（md5值，如密码）存储短字符串存储经常被更新的字符串列

日期类型

TIMESTAMP类型:

以yyyy-MM-dd HH:mm:ss格式显示,占用4个字节时间范围：1970-1-1 到 2038-01-19 DATATIME类型:以yyyy-MM-dd HH:mm:ss格式显示,占用8个字节时间范围：1000-1-1 00:00:00至9999-12-31 23:59:59

插入数据

db=pymysql.connect(host="localhost",user="root",password=    "xxxx",db="hlct",charset="utf8")    sql="INSERT INTO data_1 VALUES("" + dic["借款人"] + "","" +dic["时间"]\        + "","" + dic["借款金额"].replace(",", "")+ "","" + dic["利率"] +\        "","" + dic["期限"] + "","" + dic["还款方式"] + "");"cursor =db.cursor()  #获取操作游标    cursor.execute(sql)  #执行sql语句    db.commit()          #提交到数据库执行    db.close()

此时,数据已经静悄悄的待在数据库中了 xd

利用echarts将数据可视化作图

最初我是在这学习的echarts基本操作 ------渲染图表 针对这次的目标,折线图是最好的展现数据方式.数据库原始数据需要做出一定处理,根据具体用途处理就好.

import pyecharts_snapshotfrom datetime import datetime ,date, timedeltafrom pyecharts import Line

def rLine(y_rate):    x_axis =["00", "01", "02", "03", "04", "05", "06", "07",             "08", "09", "10" ,"11","12", "13", "14", "15", "16", "17", "18", "19",             "20", "21","22","23"]    aver=[];max=[];min=[]    for y in y_rate:        aver.append(y[0])        max.append(y[1])        min.append(y[2])    line = Line("红岭创投利率曲线""("+Date+")")    line.use_theme("dark")    line.add("最高利率", x_axis=x_axis,y_axis=max,yaxis_max=9,             yaxis_min=8,yaxis_force_interval=0.1,             yaxis_formatter="%")    line.render(path="/home/lsgo18/PycharmProjects/honglingchuangtou/rate.png")

x_axis--------------------------------------横轴数据y_axis--------------------------------------纵轴数据line.add()----------------------------添加数据作图yaxis_max--------------------设置纵轴刻度范围yaxis_force_interval--------------设置刻度精度line.use_theme--------------------------主题颜色line.render()------------------------------生成文件

crontab定时任务

观察了红岭创投往网站一段时间后,发现只能显示近十分钟左右的即时数据,不可能每过几分钟手动点击程序运行,伙伴们向我推荐了一个非常好用的指令-----crontab,crontab 是用来让使用者在固定时间或固定间隔执行程序之用，换句话说，也就是类似使用者的时程表,并且在后台运行,不会打扰到我们的学习和工作.

打开crontab:

sudo vim /etc/cronta

界面如下(通过vim打开)

基本格式

*   *   *   *   * 　command

分　 时　 日　 月　 周　 命令 第1列表示分钟1～59 每分钟用*或者 */1表示 第2列表示小时1～23（0表示0点） 第3列表示日期1～31 第4列表示月份1～12 第5列标识号星期0～6（0表示星期天） 第6列要运行的命令 通常需要将python环境绝对路径,程序绝对路径写入命令,保证能正常运行,如果crontab没有运行,大概率的原因就在此,图中倒数第四行黄色部分就是运行爬虫的指令,最后/auto.log部分是输出日志,将每一次运行的结果写进日志文件,以便检查运行情况.

smtplib发送邮件

每天处理数据做出折线图后,将图片发送给团队老大,smtplib是不错的选择,结合crontab就能每天自动运行,成就感超强.

import smtplibfrom email import encodersfrom email.header import Headerfrom email.mime.text import MIMETextfrom email.mime.base import MIMEBasefrom email.mime.multipart import MIMEMultipartfrom email.utils import parseaddr, formataddr

def send(self):        from_addr = "74400xxxx@qq.com"  # 发件人 Email 地址和口令        password = "xxxxxxx"        smtp_server = "smtp.qq.com"  # SMTP 服务器地址        to_addr = "xxxx@qq.com"  # 收件人地址        # 邮件头        msg = MIMEMultipart()#代表邮件本身        msg["From"] = self._format_addr("lsgo