[Python爬虫] 之二十二：Selenium +phantomjs 利用 pyquery抓取界面网站数据

　　一、介绍

　　　　本例子用Selenium +phantomjs爬取界面（https://a.jiemian.com/index.php?m=search&a=index&type=news&msg=电视）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('div[class^="news-view"]')

　　　　2、抓取标题

　　　　　　抓取代码：title = element('div[class="news-header"]').find('h3').find('a').text().encode('utf8').replace(' ', '')

　　　　3、抓取链接

　　　　　　抓取代码：url = element('div[class="news-header"]').find('h3').find('a').attr('href')

　　　　4、抓取日期

　　　　　　抓取代码：strdate = element('div[class="news-footer"]').find('p').find('span').eq(1).text().encode('utf8')

　　　　5、抓取来源

　　　　　　抓取代码：source = element('div[class="news-footer"]').find('p').find('span').eq(0).find('a').text().encode('utf8').replace(' ', '')

　　

　　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
import urllib
class jiemianSpider(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)
webSearchUrl_list = cf.GetValue("jiemian", "webSearchUrl")
self.keyword_list = cf.GetValue("section", "information_keywords").split(';')
self.db = mongoDB.mongoDbBase()
self.start_urls = []
for word in self.keyword_list:
self.start_urls.append(webSearchUrl_list + urllib.quote(word))

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

def scroll_foot(self):
'''
滚动条拉到底部
:return:
'''
js = ""
# 如何利用chrome驱动或phantomjs抓取
if self.driver.name == "chrome" or self.driver.name == 'phantomjs':
js = "var q=document.body.scrollTop=10000"
# 如何利用IE驱动抓取
elif self.driver.name == 'internet explorer':
js = "var q=document.documentElement.scrollTop=10000"
return self.driver.execute_script(js)

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 '慧聪网 7小时前'; '新浪游戏 29分钟前' ; '中国行业研究网 2017-6-13'
:return: True:合法；False:不合法
'''
currentDate = time.strftime('%Y-%m-%d')
datePattern = re.compile(r'\d{4}-\d{1,2}-\d{1,2}')
dt = strDateText.replace('/', '-')
strDate = re.findall(datePattern, dt)
if len(strDate) == 1:
if self.Comapre_to_days(currentDate, strDate[0]) == 0:
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('div[class^="news-view"]')

for element in Elements.items():
strdate = element('div[class="news-footer"]').find('p').find('span').eq(1).text().encode('utf8')
flag, date = self.date_isValid(strdate)
if flag:
title = element('div[class="news-header"]').find('h3').find('a').text().encode('utf8').replace(' ', '')
for keyword in self.keyword_list:
if title.find(keyword) > -1:
url = element('div[class="news-header"]').find('h3').find('a').attr('href')
source = element('div[class="news-footer"]').find('p').find('span').eq(0).find(
'a').text().encode('utf8').replace(' ', '')

dictM = {'title': title, 'date': date,
'url': url, 'keyword': keyword, 'introduction': title, 'source': source}
infoList.append(dictM)
# self.log.WriteLog('title:%s' % title)
# self.log.WriteLog('url:%s' % url)
# self.log.WriteLog('source:%s' % source)
# self.log.WriteLog('kword:%s' % keyword)
# self.log.WriteLog(strsplit)

self.log_print('title:%s' % dictM['title'])
self.log_print('url:%s' % dictM['url'])
self.log_print('date:%s' % dictM['date'])
self.log_print('source:%s' % dictM['source'])
self.log_print('kword:%s' % dictM['keyword'])
self.log_print(strsplit)
break
if len(infoList)>0:
self.db.SaveInformations(infoList)

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

obj = jiemianSpider()
obj.scrapy_date()