[Python爬虫] 之二十一:Selenium +phantomjs 利用 pyquery抓取36氪网站数据
2024-08-23 06:32:11
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()
最新文章
- Js中caller和callee的区别
- MySQL日期时间函数大全 转
- 使用sqlldr将文件中的数据导入到数据库
- SQL删除数据库里所有表的外键,同时删除所有用户表
- max取得数组的最大值
- cocos2d-js引擎学习笔记
- 关于js赋值给input解析
- CodeForces - 796B 模拟
- Java开源生鲜电商平台-财务系统模块的设计与架构(源码可下载)
- 遍历文件后缀名 为 .java的文件
- JavaScript之Promise学习笔记
- Atcode ABC105-C:Base -2 Number
- Volley 结合GSON或FastJson用法
- springMVC注解(一)Controller
- pyspider爬取数据存入redis--2.测试数据库连通性
- SQL-游标-查询数据库中的所有表的数据个数
- Makefile | Linux嵌入式编程 使用详细图解
- 19. Fight over Fox-hunting 猎狐引发的冲突
- windows多线程(八) 信号量Semaphore
- HDU 1285 确定比赛名次(拓扑排序模板)