[Python爬虫] 之二十一：Selenium +phantomjs 利用 pyquery抓取36氪网站数据

 

　　一、介绍

　　　　本例子用Selenium +phantomjs爬取36氪网站（http://36kr.com/search/articles/电视?page=1）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="item"]')

　　　　2、抓取标题

　　　　　　抓取代码：title = element('div[class="intro"]').find('h3').find('div').text().encode('utf8').strip().replace(' ','')

　　　　3、抓取链接

　　　　　　抓取代码：url = 'http://36kr.com' + element.find('a').attr('href')

　　　　4、抓取日期

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

　　　　5、抓取来源

　　　　　　抓取代码：source = element('div[class="am-cf inner_li"]').find('span[class="company mark h5_mark"]').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 mongoDB
import urllib
class kr36Spider(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("kr36", "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}')
        strDate = re.findall(datePattern, strDateText)
        if len(strDate) == 1:
            if self.Comapre_to_days(currentDate, strDate[0])< 20:
                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)
            time.sleep(1)
            self.scroll_foot()
            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="item"]')
            for element in Elements.items():
                strdate = element('span[class="time"]').text().encode('utf8').strip()
                flag, date = self.date_isValid(strdate)
                if flag:
                    title = element('div[class="intro"]').find('h3').find('div').text().encode('utf8').strip().replace(' ','')

                    for keyword in self.keyword_list:
                        if title.find(keyword) > -1:
                            url = 'http://36kr.com' + element.find('a').attr('href')
                            source = element('div[class="am-cf inner_li"]').find(
                                'span[class="company mark h5_mark"]').text().encode('utf8').strip()

                            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 = kr36Spider()
obj.scrapy_date()