[Python爬虫] 之十八：Selenium +phantomjs 利用 pyquery抓取电视之家网数据

　　一、介绍

　　　　本例子用Selenium +phantomjs爬取电视之家（http://www.tvhome.com/news/）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="main_left fl"]').find('div[class="content"]').find('ul').find('li')

　　　　2、抓取标题

　　　　　　抓取代码：title = element('h2').find('a').text().encode('utf8').strip()

　　　　3、抓取链接

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

　　　　4、抓取日期

　　　　　　抓取代码：date = element('em[class="em_3"]').text().encode('utf8').strip()

　　　　5、抓取来源

　　　　　　抓取代码：strSource = dochtml('span[class="aside01"]').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
import IniFile
# from threading import Thread
from pyquery import PyQuery as pq
import LogFile
import mongoDBclass tvhomeSpider(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("tvhome", "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) / 86400return resultdef 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('div[class="main_left fl"]').find('div[class="content"]').find('ul').find('li')for element in Elements.items():date = element('em[class="em_3"]').text().encode('utf8').strip()flag, strDate = self.date_isValid(date)if flag:title = element('h2').find('a').text().encode('utf8').strip()for keyword in self.keyword_list:if title.find(keyword) > -1:url = element('a').attr('href')dictM = {'title': title, 'date': strDate,'url': url, 'keyword': keyword, 'introduction': title, 'source': ''}infoList.append(dictM)breakif 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)strSource = dochtml('span[class="aside01"]').text().encode('utf8').strip()item['source'] = strSourceself.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 = tvhomeSpider()
obj.scrapy_date()