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

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了[Python爬虫] 之十九:Selenium +phantomjs 利用 pyquery抓取超级TV网数据相关的知识,希望对你有一定的参考价值。

 

  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

    技术分享

 

 

    技术分享

    

    技术分享

 

 

   

  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()

 

以上是关于[Python爬虫] 之十九:Selenium +phantomjs 利用 pyquery抓取超级TV网数据的主要内容,如果未能解决你的问题,请参考以下文章

[Python爬虫] 之十一:Selenium +phantomjs抓取活动树中会议活动

[Python爬虫] 之十:Selenium +phantomjs抓取活动行中会议活动(多线程抓取)

[Python爬虫] 之十五:Selenium +phantomjs根据微信公众号抓取微信文章

PX4模块设计之十九:Replay模块

Java经典编程题50道之十九

爬虫学习笔记(十九)—— 滑动验证码