博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
[Python爬虫] 之二十三:Selenium +phantomjs 利用 pyquery抓取智能电视网数据
阅读量:5931 次
发布时间:2019-06-19

本文共 6748 字,大约阅读时间需要 22 分钟。

 

  一、介绍

    本例子用Selenium +phantomjs爬取智能电视网()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="listl list2"]').find('ul').find('li')

    2、抓取标题

      抓取代码:title = element('h3').find('a').attr('title').encode('utf8')

    3、抓取链接

      抓取代码:url = 'http://news.znds.com' + element('h3').find('a').attr('href')

    4、抓取日期

      抓取代码:date = element('span').text().encode('utf8')

    5、抓取来源

      抓取代码:strSource = dochtml('span[class="spanimg2"]').text().encode('utf8').strip()

   

  四、完整代码

# coding=utf-8import osimport refrom selenium import webdriverfrom selenium.common.exceptions import TimeoutExceptionimport timeimport datetimefrom pyquery import PyQuery as pqimport LogFileimport mongoDBclass zndsSpider(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.range =3+valid * 2        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                move_element = self.driver.find_element_by_xpath("//div[@class='button-footer']/span")                for i in xrange(self.range):                    move_element.click()                    time.sleep(0.2)                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="hotbox "]')                for element in Elements.items():                    date = element('span').text().encode('utf8')                    flag, strDate = self.date_isValid(date)                    if flag:                        title = element('h3').find('a').text().encode('utf8')                        if title.find(self.filter)>-1:                            continue                        for keyword in self.keyword_list:                            if title.find(keyword) > -1:                                url = 'http://news.znds.com' + element('h3').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: 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('span[class="spanimg2"]').text().encode('utf8').strip() item['source'] = strSource 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('zndsSpider:' + e.message) finally: pass# obj = zndsSpider()# obj.scrapy_date()

 

转载于:https://www.cnblogs.com/shaosks/p/7063951.html

你可能感兴趣的文章
debian、ubuntu系统下,常用的下载工具
查看>>
PS2键盘
查看>>
PMBOK项目管理认知概要
查看>>
java===编译引用第三方文件的类(原创)
查看>>
带以太网的MicroPython开发板:TPYBoardv201温湿度上传实例
查看>>
webpack相关插件
查看>>
maven添加第三方jar到本地(转)
查看>>
GraphicsMagick+IM4Java在项目中的使用总结
查看>>
js设置radio 和checkbox 单选
查看>>
特殊回文数(蓝桥杯)
查看>>
记在邮件之外的
查看>>
Virtual Key Codes
查看>>
Java反射中的Type和GenericDeclaration
查看>>
如何解压缩后缀名为zip.001,zip.002等的文件
查看>>
我的一起开源网 www.17ky.net上线了
查看>>
OSGI企业应用开发(十二)OSGI Web应用开发(一)
查看>>
二维数组排序可以用php内置函数
查看>>
一些兼容性的知识
查看>>
标准库 string类型和字符串字面值
查看>>
eclipse tomcat maven热部署
查看>>