[Python爬虫] 之十七：Selenium +phantomjs 利用 pyquery抓取梅花网数据

　　一、介绍

　　　　本例子用Selenium +phantomjs爬取梅花网（http://www.meihua.info/a/list/today）的资讯信息，输入给定关键字抓取资讯信息。

　　　　给定关键字：数字；融合；电视

　　　　抓取信息内如下：

　　　　　　1、资讯标题

　　　　　　2、资讯链接

　　　　　　3、资讯时间

　　　　　　4、资讯来源

　

　　二、网站信息

　　　　


　　　　


　　　　


　　　　　　


　　　　


　　　　


　　

　　三、数据抓取

　　　　针对上面的网站信息，来进行抓取

　　　　1、首先抓取信息列表

　　　　　　抓取代码：Elements = doc('li[class="item"]')

　　　　2、抓取标题

　　　　　　抓取代码：title = element('a[class="list-title-color no-link"]').text().encode('utf8').strip()

　　　　3、抓取链接

　　　　　　抓取代码：url = 'http://www.meihua.info' + element('a[class="list-title-color no-link"]').attr('href')

　　　　4、抓取日期

　　　　　　抓取代码：date = element('span[class="desc-font date"]').text().encode('utf8').strip()

　　　　5、抓取来源

　　　　　　抓取代码：strSource = dochtml('div[class="art-content"]').eq(0).find('font').eq(0).text().encode('utf8').strip()

　　

　　四、完整代码

# coding=utf-8
import os
import re
from selenium import webdriver
import selenium.webdriver.support.ui as ui
import time
from datetime import datetime
from selenium.webdriver.common.action_chains import ActionChains
import IniFile
from threading import Thread
from pyquery import PyQuery as pq
import LogFile
import mongoDB

class meihuaSpider(object):
def __init__(self):

logfile = os.path.join(os.path.dirname(os.getcwd()), time.strftime('%Y-%m-%d') + '.txt')
self.log = LogFile.LogFile(logfile)
configfile = os.path.join(os.path.dirname(os.getcwd()), 'setting.conf')
cf = IniFile.ConfigFile(configfile)
self.webSearchUrl_list = cf.GetValue("meihua", "webSearchUrl").split(';')
self.keyword_list = cf.GetValue("section", "information_keywords").split(';')
self.db = mongoDB.mongoDbBase()
self.start_urls = []
for url in self.webSearchUrl_list:
self.start_urls.append(url)

self.driver = webdriver.PhantomJS()
self.wait = ui.WebDriverWait(self.driver, 2)
self.driver.maximize_window()

def Comapre_to_days(self,leftdate, rightdate):
'''
比较连个字符串日期，左边日期大于右边日期多少天
:param leftdate: 格式：2017-04-15
:param rightdate: 格式：2017-04-15
:return: 天数
'''
l_time = time.mktime(time.strptime(leftdate, '%Y-%m-%d'))
r_time = time.mktime(time.strptime(rightdate, '%Y-%m-%d'))
result = int(l_time - r_time) / 86400
return result

def date_isValid(self, strDateText):
'''
判断日期时间字符串是否合法：如果给定时间大于当前时间是合法，或者说当前时间给定的范围内
:param strDateText: 四种格式 '今天'; '前天' ; '昨天' ;'06月12日 '
:return: True:合法；False:不合法
'''
currentDate = time.strftime('%Y-%m-%d')
if strDateText.find('今天') > -1 :
return True, currentDate
return False, ''

def log_print(self, msg):
'''
#         日志函数
#         :param msg: 日志信息
#         :return:
#         '''
print '%s: %s' % (time.strftime('%Y-%m-%d %H-%M-%S'), msg)

def scrapy_date(self):
strsplit = '------------------------------------------------------------------------------------'
for link in self.start_urls:
self.driver.get(link)
selenium_html = self.driver.execute_script("return document.documentElement.outerHTML")
doc = pq(selenium_html)
infoList = []

self.log.WriteLog(strsplit)
self.log_print(strsplit)
Elements = doc('li[class="item"]')  # class属性内容以item doc style-开始的元素
for element in Elements.items():
date = element('span[class="desc-font date"]').text().encode('utf8').strip()
flag, strDate = self.date_isValid(date)
if flag:
title = element('a[class="list-title-color no-link"]').text().encode('utf8').strip()

for keyword in self.keyword_list:
if title.find(keyword) > -1:
url = 'http://www.meihua.info' + element('a[class="list-title-color no-link"]').attr('href')

dictM = {'title': title, 'date': strDate,
'url': url, 'keyword': keyword, 'introduction': title, 'source': ''}
infoList.append(dictM)
break
if len(infoList)>0:
for item in infoList:
url =item['url']
self.driver.get(url)
htext = self.driver.execute_script("return document.documentElement.outerHTML")
dochtml = pq(htext)

slen =len('来源：')
strSource = dochtml('div[class="art-content"]').eq(0).find('font').eq(0).text().encode('utf8').strip()
if strSource.find('来源') > -1:
strSource = strSource[strSource.find('来源') + slen:]
if strSource.find('（') > -1:
strSource = strSource[0:strSource.find('（'):]
item['source'] = strSource
elif strSource.find('梅花网原创')>-1:
item['source'] = " 梅花网"
else:
strSource = dochtml('div[class="art-content"]').text().encode('utf8').strip()
if strSource.find('梅花网原创')>-1 or strSource.find('消息源：梅花网')>-1:
item['source'] = '梅花网'
else:
strSource = dochtml('a[rel="nofollow"]').text().encode('utf8').strip()
item['source'] = strSource
self.log_print('title:%s' % item['title'])
self.log_print('url:%s' % item['url'])
self.log_print('date:%s' % item['date'])
self.log_print('source:%s' % item['source'])
self.log_print('kword:%s' % item['keyword'])
self.log_print(strsplit)
self.db.SaveInformations(infoList)

self.driver.close()
self.driver.quit()

obj = meihuaSpider()
obj.scrapy_date()