Bustag 是一个基于 python 异步爬虫框架开发aspider的自动车牌推荐系统, 系统原理为定时爬取最新车牌信息, 然后可以对车牌进行打标(标示是否喜欢), 打标车牌到一定数量可以进行训练并生成模型, 以后就可以基于此模型自动对下载的车牌进行预测是否喜欢, 可以过滤掉大量不喜欢的车牌, 节约时间
链接: https://pan.baidu.com/s/1pqarq7fOXjsbad0WN4Uaaw 提取码: budu
压缩包密码: gx 8000 trobot
- 修复部分bug
- 增加windows(只在win10下测试过)), mac 绿色版, 解压直接使用, 只需在data目录下创建config.ini, 然后启动系统, 访问localhost:8000
新录了个视频, 演示了如何使用docker运行项目
- (linux/mac) https://pan.baidu.com/s/13a_7pE-uK0Jt7w2anVJV9A 提取码: za4m
- (win10) https://pan.baidu.com/s/1dtUFvMvrYlw5plctaky46w 提取码: yd2y
- 自动抓取最新车牌信息, 抓取频率可以自定义
- 系统启动后自动开启一次下载, 然后安装设置抓取频率下载
- 车牌打标功能
- 模型训练, 基于当前所有打标数据训练模型
- 有了模型后, 自动预测判断是否喜欢
- Docker 镜像一键运行, 省去新手配置项目的麻烦
- 项目访问地址: localhost:8000
-
推荐页面
-
打标页面
-
其他页面
下载zip包后解压缩到任意目录, 然后在目录下的data目录里, 创建文件config.ini - windows 版: 执行(双击)bustag.exe - mac 版: 执行(双击)bustag - 浏览器访问: localhost:8000, 访问成功说明运行正常, 如果访问不成功, 可以看bustag程序窗口有无报错
懂 python 开发的可以 clone 本项目, 建立一个虚拟环境并按照 requirements.txt 的 python 包后, 在项目根目录下 直接运行
python bustag/app/index.py
或者安装了gunicorn
gunicorn bustag.app.index:app --bind='0.0.0.0:8000'
- 建立一个目录, 如 bustag, 然后在该目录下建一个子目录 data, data 目录用于保存配置文件以及下载数据的数据库
- 在 data 下需要建立一个文件, config.ini, 该文件用于设置爬取的初始地址, 以及每次下载的最大数量
- 运行命令
linux, mac
docker run --rm -d -v $(pwd)/data:/app/data -p 8000:8000 gxtrobot/bustag-app
windows powershell
docker run --rm -d -v ${PWD}/data:/app/data -p 8000:8000 gxtrobot/bustag-app
- 到打标页面进行打标, 达到一定数量(喜欢+不喜欢), 比如 300
- 到其他页面训练模型
- 坐等系统自动推荐
- 在推荐页面进行确认(确认过的数据转为打标数据)
- 积累更多打标数据, 再次训练模型, 打标数据越多模型效果越好
|____bus.db
|____config.ini
|____crontab.txt
|____model
| |____ label_binarizer.pkl
| |____model.pkl
-
config.ini, (系统配置文件, 必须, 系统启动时候需要此文件, 参考文件)
- root_path: 制定bus网站主页地址, 爬虫起始地址, 由于地址可能变化, 确保本机能够访问该地址, 如果需要代理才能访问, 必须开启全局代理, 系统本身无代理设置
- count: 每次下载总数, 建议不要太多, 500以下比较好
- interval: 每次下载间隔时间, 单位为秒, 建议不要低于1800秒
-
bus.db (数据库文件, 可选, 但是可以放一个现成的库, 有 2000 条数据, 方便直接开始打标, 不需要等下载)
-
crontab.txt (定时下载配置文件, 可选, 参考例子)
-
model 目录(系统训练生成的模型)
- 改变自动下载的频率 系统默认为每 30 分钟下载一次, 如果需要自定义可以在 data 下建立一个crontab.txt文件, 该文件是基于 linux crontab 执行, ,具体可以看wiki
*/30 * * * * /app/docker/run_download.sh >> /var/log/bustag.log 2>&1
-
改变下载初始 url 因为该 url 会经常改变, 所有系统的 config.ini -> download -> root_path 定义了初始 url, 可以根据需要改变
-
是否可以使用代理 目前系统还没加入代理功能, 不过可以在 docker 设置代理访问
-
下载数量多少合适 鉴于爬虫的稳定性, 不建议每次下载太多, 也可能会给 bus 服务器带来压力, 如果需要, 初次使用可以加大到 1000, 这样可以下载多点初始数据用于打标, 后面可以改为 300
-
模型效果如何 经过一些测试, 最终使用了 KNN 模型, 效果的话谈不上非常好, 在准确率上还可以, 不过召回率相对低一些, 也就是说推荐的准确率相对高点, 但是会漏掉一些喜欢的数据. 所以, 鉴于定期对推荐数据进行确认, 经过确认后, 推荐数据转为打标数据, 然后重新训练,打标数据越多效果越好
-
要多少打标数据才能训练模型 建议至少达到 300 打标数据(包括喜欢, 不喜欢), 如何尝试训练模型, 并查看模型效果值, 如不满意可以增加训练数据并重新训练
-
模型用了什么数据训练 模型目前主要使用了各种标签数据, 比如影片分类, 女优名等等, 目前没有使用到标题
-
如何改变服务器运行端口 服务器默认为 8000 端口, 如果需要改变, 可以修改启动 docker 容器命令, 比如 8000
修改为8000端口, 注意:后面的8000不要变, 然后可以通过localhost:8000访问
docker run --rm -d -v $(pwd)/data:/app/data -p 8000:8000 gxtrobot/bustag-app
- 如何备份数据库 系统使用的数据库保存在 data 目录下的 bus.db, 如果有需要可以将此文件拷贝一份作为备份, 比如在打标测试模型时, 如果不想使用当前打标数据, 可以将数据库恢复到原来的版本 该数据库为 sqlite 格式, 可以直接使用软件打开, 比如 DB Browser for Sqlite, 该软件支持多平台