
来源:AirPython
作者:星安果
大家好,我是安果!
日常编写的 Python 自动化程序,如果在本地运行稳定后,就可以考虑将它部署到服务器,结合定时任务完全解放双手
但是,由于自动化程序与平台兼容性有关联,有一些依赖库在服务器运行需要做特殊处理
本篇文章以一段 Selenium 编写的 Python 自动化程序,聊聊脚本部署服务器的详细过程
以 CentOS 服务器为例
2-1.安装桌面环境
PS:如果已经安装,可以跳到下一步
我们需要先安装一个桌面环境「 以 GNOME 为例 」,设置以图形模式启动,并开启图形界面
# 安装 GNOME 桌面环境
yum groupinstall -y "GNOME Desktop"
# 设置以图形模式启动
systemctl set-default graphical.target
# 开启图形界面
startx
2-2.安装配置远程桌面
以最常见的 VNC 为例
首先,在服务器上安装 VNC Server,并设置登录密码
# 安装vnc server
yum install tigervnc-server -y
# 设置登录密码,用于vnc viewer登录密码
vncpasswd
然后,启动 VNC Server,并开启对应的端口号
# 开启VNC服务
systemctl start vncserver@:1
# 设置开机自启
systemctl enable vncserver@:1
# 查看VNC服务的端口
netstat -lnpt|grep Xvnc
# 开启端口号
firewall-cmd --add-port=5901/tcp --permanent
firewall-cmd --reload
最后,下载VNC Viewer,使用「IP 地址 + 端口号 + 登录密码」远程连接服务器
PS:VNC Server 显式指定IP地址+端口号
2-3.安装 Chrome 浏览器
服务器默认安装的浏览器为 FireFox,Chrome 浏览器需要自己手动安装
# 下载最新的Chrome浏览器
wget
https://dl.google.com/linux/direct/google-chrome-stable_current_x86_64.rpm
# 安装浏览器
yum install
google-chrome-stable_current_x86_64.rpm
# 检查Chrome浏览器的版本
google-chrome -version
安装完成之后,发现使用 Root 用户启动 Chrome 浏览器失败PS:服务器 Chrome 浏览器不支持直接使用,需要以 --no-sandbox 参数启动
# 以--no-sandbox方式启动Chrome浏览器
# 方式一:命令行启动
/usr/bin/google-chrome-stable --no-sandbox
# 方式二:修改Chrome浏览器快捷图标的启动方式
# 启动方式:--no-sandbox
2-4.配置 Chrome Driver 及授权
在官网下载 Chrome 浏览器对应版本的 Chrome Driver
解压后,上传到服务器的「 usr/bin 」目录下
最后,对 chromedriver 文件授予可执行的权限
[root@localhost xh]# cd /usr/bin
# 授予可执行的权限
[root@localhost bin]# sudo chmod +x chromedriver
2-5.可视化运行测试
将自动化脚本上传到服务器,设置以有头模式运行
注意:由于服务器的 Chrome 需要配置以 no-sandbox 模式启动,因此自动化脚本需要添加设置属性
option = webdriver.ChromeOptions()
# 以无头模式运行
#option.add_argument('headless')
option.add_argument('no-sandbox')
option.add_argument('disable-dev-shm-usage')
option.add_experimental_option('useAutomationExtension', False)
option.add_experimental_option('excludeSwitches', ['enable-automation'])
browser = webdriver.Chrome(chrome_options=option)
「有头模式」测试运行正常后,就可以开启「无头模式」,编写定时任务,将自动化脚本与定时任务关联上。
文中以 Selenium 自动化脚本部署服务器的步骤流程进行了阐述
需要指出的是,服务器上的可视化调试测试确实很有必要,它可以帮助我们提前定位兼容性问题
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13