[Python爬虫] 之十九：Selenium +phantomjs 利用 pyquery抓取超级TV网数据

　　一、介绍

　　　　本例子用Selenium +phantomjs爬取超级TV（http://www.chaojitv.com/news/index.html）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('ul[class="la_list"]').find('li')

　　　　2、抓取标题

　　　　　　抓取代码：title = element('h4').find('a').text().encode('utf8').strip()

　　　　3、抓取链接

　　　　　　抓取代码：url = element('h4').find('a').attr('href')

　　　　4、抓取日期

　　　　　　抓取代码：date = element('div[class="time"]').find('span').text().encode('utf8').strip()

　　　　5、抓取来源

　　　　　　抓取代码：strSources = dochtml('span[class="wzof"]').text().encode('utf8').strip().split('：')

　　

　　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
import IniFile
# from threading import Thread
from pyquery import PyQuery as pq
import LogFile
import mongoDB

class chaojitvSpider(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("chaojitv", "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: '2017-06-20 10:22 '
:return: True:合法；False:不合法
'''
currentDate = time.strftime('%Y-%m-%d')
datePattern = re.compile(r'\d{4}-\d{2}-\d{2}')
strDate = re.findall(datePattern, strDateText)
if len(strDate) == 1:
if self.Comapre_to_days(currentDate, strDate[0]) == 0:
return True, strDate[0]
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('ul[class="la_list"]').find('li')
for element in Elements.items():
date = element('div[class="time"]').find('span').text().encode('utf8').strip()
flag, strDate = self.date_isValid(date)
if flag:
title = element('h4').find('a').text().encode('utf8').strip()
for keyword in self.keyword_list:
if title.find(keyword) > -1:
url = element('h4').find('a').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)
strSources = dochtml('span[class="wzof"]').text().encode('utf8').strip().split('：')
if len(strSources)>2:
item['source'] = strSources[2].replace('编辑','').replace(' ','')

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 = chaojitvSpider()
obj.scrapy_date()