Files
baijiahao_data_crawl/bjh_data_to_database.py

286 lines
11 KiB
Python
Raw Permalink Normal View History

2025-12-25 11:16:59 +08:00
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
百家号数据抓取并生成CSV文件的整合脚本
功能
1. 从百家号API抓取最新数据发文统计 + 收益数据 + 当周收益
2. 保存到 bjh_integrated_data.json
3. 生成三个CSV文件
- ai_statistics.csv - 账号汇总统计表
- ai_statistics_day.csv - 每日明细统计表最新一天
- ai_statistics_days.csv - 核心指标统计表最新一天含发文量收益环比
特点
- author_id 将从 ai_authors 表中根据 author_name 查询获取
- 支持从数据库加载Cookie无需手动维护
- 支持代理模式防止被限流
- 支持错误重试机制自动处理代理连接异常
"""
import sys
import os
import time
# 设置UTF-8编码
if sys.platform == 'win32':
import io
if not isinstance(sys.stdout, io.TextIOWrapper) or sys.stdout.encoding != 'utf-8':
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
if not isinstance(sys.stderr, io.TextIOWrapper) or sys.stderr.encoding != 'utf-8':
sys.stderr = io.TextIOWrapper(sys.stderr.buffer, encoding='utf-8')
from bjh_analytics import BaijiahaoAnalytics
from export_to_csv import DataExporter
from log_config import setup_data_to_db_logger
def main():
# 初始化日志记录器
logger = setup_data_to_db_logger()
logger.info("="*70)
logger.info("百家号数据抓取并生成CSV文件 - 启动")
logger.info("="*70)
print("\n" + "="*70)
print("百家号数据抓取并生成CSV文件")
print("="*70)
# 步骤1配置数据抓取
print("\n【步骤1/3】配置数据抓取")
print("="*70)
logger.info("步骤1/3配置数据抓取")
# 询问数据源
print("\n请选择账号数据源:")
print(" 1. 从本地文件加载Cookie (captured_account_cookies.json)")
print(" 2. 从数据库加载Cookie")
source = input("\n输入选项 (1/2, 默认1): ").strip() or '1'
load_from_db = (source == '2')
logger.info(f"数据源选择: {'数据库' if load_from_db else '本地文件'}")
# 询问是否使用代理
print("\n是否启用代理?")
use_proxy_input = input("(y/n, 默认n): ").strip().lower() or 'n'
use_proxy = (use_proxy_input == 'y')
logger.info(f"代理模式: {'启用' if use_proxy else '禁用'}")
# 询问抓取天数
print("\n抓取最近多少天的数据?")
days_input = input("(默认7天): ").strip() or '7'
try:
days = int(days_input)
except ValueError:
days = 7
logger.info(f"抓取天数: {days}")
# 自动启用错误重试机制(不询问)
enable_retry = True
max_retries = 3
print(f"\n[配置] 已自动启用错误重试机制(最大{max_retries}次)")
logger.info(f"错误重试机制: 启用,最大重试{max_retries}")
# 步骤2抓取数据
print("\n【步骤2/3】抓取数据")
print("="*70)
logger.info("步骤2/3抓取数据")
# 初始化分析器
analytics = BaijiahaoAnalytics(use_proxy=use_proxy, load_from_db=load_from_db)
if not analytics.account_cookies:
print("\n[X] 未找到可用的账号Cookie无法继续")
logger.error("未找到可用的账号Cookie")
return
print(f"\n找到 {len(analytics.account_cookies)} 个账号")
logger.info(f"找到 {len(analytics.account_cookies)} 个账号")
# 询问是否抓取所有账号
print("\n请选择抓取模式:")
print(" 1. 抓取所有账号")
print(" 2. 只抓取第一个账号(测试用)")
mode = input("\n输入选项 (1/2, 默认1): ").strip() or '1'
logger.info(f"抓取模式: {'所有账号' if mode == '1' else '测试单账号'}")
if mode == '2':
# 只抓取第一个账号
account_ids = [list(analytics.account_cookies.keys())[0]]
else:
# 抓取所有账号
account_ids = list(analytics.account_cookies.keys())
print(f"\n将抓取 {len(account_ids)} 个账号的数据")
logger.info(f"将抓取 {len(account_ids)} 个账号: {', '.join(account_ids)}")
confirm = input("\n是否继续? (y/n): ").strip().lower()
if confirm != 'y':
print("\n已取消")
logger.info("用户取消操作")
return
# 执行抓取
print("\n开始抓取数据...")
print(f" 错误重试策略:遇到代理连接错误时自动重试,最大{max_retries}\n")
logger.info("="*70)
logger.info("开始执行数据抓取任务")
logger.info(f"总账号数: {len(account_ids)},错误重试: 最大{max_retries}")
logger.info("="*70)
success_count = 0
failed_accounts = []
partial_success_accounts = [] # 部分成功的账号(只获取到部分数据)
results = []
for i, account_id in enumerate(account_ids, 1):
print(f"\n[{i}/{len(account_ids)}] 抓取账号: {account_id}")
print("-"*70)
# 重试机制
retry_count = 0
result = None
last_error = None
while retry_count <= (max_retries if enable_retry else 0):
try:
# 如果是重试,先等待一段时间
if retry_count > 0:
wait_time = retry_count * 2 # 递增等待时间2秒、4秒、6秒
print(f" [重试 {retry_count}/{max_retries}] 等待 {wait_time} 秒后重试...")
logger.info(f"账号 {account_id}{retry_count}次重试,等待{wait_time}")
time.sleep(wait_time)
print(f" [重试 {retry_count}/{max_retries}] 开始重新抓取...")
result = analytics.extract_integrated_data(account_id, days=days)
if result:
results.append(result)
status = result.get('status', '')
if status == 'success_all':
success_count += 1
print(f" [✓] 抓取成功")
logger.info(f"账号 {account_id} 抓取成功 (完全成功)")
break # 成功,跳出重试循环
elif 'success' in status:
# 部分成功(例如:只获取到发文数据,收入数据失败)
partial_success_accounts.append(account_id)
print(f" [!] 部分成功: {status}")
logger.warning(f"账号 {account_id} 部分成功: {status}")
break # 部分成功也跳出重试循环
else:
# 失败
last_error = f"状态: {status}"
if not enable_retry or retry_count >= max_retries:
failed_accounts.append(account_id)
print(f" [X] 抓取失败: {status}")
logger.error(f"账号 {account_id} 抓取失败: {status}")
break
else:
retry_count += 1
continue
else:
# 返回None表示完全失败
last_error = "返回结果为空"
if not enable_retry or retry_count >= max_retries:
failed_accounts.append(account_id)
print(f" [X] 抓取失败: 无返回结果")
logger.error(f"账号 {account_id} 抓取失败: 无返回结果")
break
else:
retry_count += 1
continue
except Exception as e:
last_error = str(e)
error_type = type(e).__name__
# 判断是否是代理相关错误
is_proxy_error = any([
'Connection' in error_type,
'RemoteDisconnected' in error_type,
'ProxyError' in error_type,
'Timeout' in error_type,
'ConnectionError' in str(e),
'Connection aborted' in str(e),
'Remote end closed' in str(e),
])
if is_proxy_error:
print(f" [!] 代理连接错误: {error_type}")
logger.warning(f"账号 {account_id} 代理连接错误: {error_type} - {last_error}")
else:
print(f" [!] 发生异常: {error_type} - {e}")
logger.error(f"账号 {account_id} 异常: {error_type} - {e}", exc_info=True)
if not enable_retry or retry_count >= max_retries:
failed_accounts.append(account_id)
print(f" [X] 抓取失败(已达最大重试次数)")
logger.error(f"账号 {account_id} 最终失败,已达最大重试次数")
break
else:
retry_count += 1
continue
# 保存到文件
if results:
analytics.save_results(results)
logger.info(f"数据已保存到 bjh_integrated_data.json{len(results)} 个账号")
print(f"\n数据抓取完成:")
print(f" 完全成功: {success_count}/{len(account_ids)}")
logger.info(f"数据抓取完成: 完全成功 {success_count}/{len(account_ids)}")
if partial_success_accounts:
print(f" 部分成功: {len(partial_success_accounts)} 个账号")
print(f" 账号列表: {', '.join(partial_success_accounts)}")
logger.info(f"部分成功: {len(partial_success_accounts)} 个账号 - {', '.join(partial_success_accounts)}")
if failed_accounts:
print(f" 完全失败: {len(failed_accounts)} 个账号")
print(f" 账号列表: {', '.join(failed_accounts)}")
logger.error(f"完全失败: {len(failed_accounts)} 个账号 - {', '.join(failed_accounts)}")
# 步骤3生成CSV文件
print("\n【步骤3/3】生成CSV文件")
print("="*70)
logger.info("步骤3/3生成CSV文件")
confirm = input("\n是否生成CSV文件? (y/n): ").strip().lower()
if confirm != 'y':
print("\n已跳过CSV生成")
logger.info("用户跳过CSV生成")
return
# 初始化导出器CSV模式但启用数据库连接以查询author_id
exporter = DataExporter(use_database=False)
logger.info("已初始化CSV导出器CSV模式 + 数据库查询author_id")
print("\n将生成以下三个CSV文件")
print(" 1. ai_statistics.csv - 账号汇总统计表")
print(" 2. ai_statistics_day.csv - 每日明细统计表")
print(" 3. ai_statistics_days.csv - 核心指标统计表(含发文量、收益、环比)")
print("\n注意author_id 将从 ai_authors 表中查询")
# 执行CSV导出
success = exporter.export_all_tables()
if success:
print("\n" + "="*70)
print("✓ 所有步骤完成!")
print("="*70)
logger.info("="*70)
logger.info("所有步骤完成CSV文件已生成")
logger.info("="*70)
else:
print("\n" + "="*70)
print("✗ CSV生成失败")
print("="*70)
logger.error("CSV生成失败")
if __name__ == '__main__':
main()