[Python爬虫] 之二十四：Selenium +phantomjs 利用 pyquery抓取中广互联网数据

　　一、介绍

　　　　本例子用Selenium +phantomjs爬取中广互联网（http://www.tvoao.com/select.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('li[class="content_list clearfix"]')

　　　　2、抓取标题

　　　　　　抓取代码：title = element('div[class="content_listtext"]').find('a').find('h3').text().encode('utf8')

　　　　3、抓取链接

　　　　　　抓取代码：url = 'http://www.tvoao.com' + element('a').attr('href')

　　　　4、抓取日期

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

　　　　5、抓取来源

　　　　　　抓取代码：strSource = dochtml('div[class="headlines_source"]').find('span').eq(1).text().encode('utf8').replace('\t','')

　　

　　四、完整代码

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

class tvoaoSpider(object):
def __init__(self,driver,log,keyword_list,websearch_url,valid,filter):
'''

:param driver: 驱动
:param log: 日志
:param keyword_list: 关键字列表
:param websearch_url: 搜索网址
:param valid:  采集参数 0：采集当天；1：采集昨天
:param filter: 过滤项,下面这些内容如果出现在资讯标题中，那么这些内容不要，过滤掉
'''

self.log = log
self.driver = driver
self.webSearchUrl_list = websearch_url.split(';')
self.keyword_list = keyword_list
self.db = mongoDB.mongoDbBase()
self.valid = valid
self.start_urls = []
# 过滤项
self.filter = filter
for url in self.webSearchUrl_list:
self.start_urls.append(url)

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{1,2}-\d{1,2}')
strDate = re.findall(datePattern, strDateText)
if len(strDate) == 1:
if self.valid == 0 and self.Comapre_to_days(currentDate, strDate[0]) == 0:
return True, currentDate
elif self.valid == 1 and self.Comapre_to_days(currentDate, strDate[0]) == 1:
return True, str(datetime.datetime.now() - datetime.timedelta(days=1))[0:10]
elif self.valid == 2 and self.Comapre_to_days(currentDate, strDate[0]) == 2:
return True, str(datetime.datetime.now() - datetime.timedelta(days=2))[0:10]

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):
try:
strsplit = '------------------------------------------------------------------------------------'
for link in self.start_urls:
try:
self.driver.get(link)
except TimeoutException:
self.log.WriteLog('time out after %d seconds when loading page' % 10)
self.driver.execute_script('window.stop()')
continue

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="content_list clearfix"]')

for element in Elements.items():
date = element('div[class="listtext_label"]').find('span').text().encode('utf8')
flag, strDate = self.date_isValid(date)
if flag:
title = element('div[class="content_listtext"]').find('a').find('h3').text().encode('utf8')
if title.find(self.filter)>-1:
continue
for keyword in self.keyword_list:
if title.find(keyword) > -1:
url = 'http://www.tvoao.com' + element('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:
item['sourceType'] = 1
url = item['url']
try:
self.driver.get(url)
except TimeoutException:
self.log.WriteLog('time out after %d seconds when loading page' % 10)
self.driver.execute_script('window.stop()')
continue
htext = self.driver.execute_script("return document.documentElement.outerHTML")
dochtml = pq(htext)
strSource = dochtml('div[class="headlines_source"]').find('span').eq(1).text().encode(
'utf8').replace('\t', '')
item['source'] = strSource.replace('\n', '').replace('来源：', '')
self.log.WriteLog('title:%s' % item['title'])
self.log.WriteLog('url:%s' % item['url'])
self.log.WriteLog('date:%s' % item['date'])
self.log.WriteLog('source:%s' % item['source'])
self.log.WriteLog('kword:%s' % item['keyword'])
self.log.WriteLog(strsplit)

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)
except Exception, e:
self.log.WriteLog('tvoaoSpider:' + e.message)
finally:
pass

#
# obj = tvoaoSpider()
# obj.scrapy_date()