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

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 和 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*10的18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2的24次方-1个字符；
LONGTEXT    可变长度，最多2的32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NULL值
NOT NULL    数据列不允许包含NULL值
DEFAULT 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，
而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 2：vim 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：

• MySQL基础
• MySQL修改表结构操作命令总结

---

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：
Python，python，py，Py，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。

---