[Python爬虫] 之二十五:Selenium +phantomjs 利用 pyquery抓取今日头条网数据

news/2024/7/19 12:30:40 标签: python, 爬虫, 数据库

 

  一、介绍

    本例子用Selenium +phantomjs爬取今日头条(http://www.toutiao.com/search/?keyword=电视)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="articleCard"]')

    2、抓取标题

      抓取代码:title = element('a[class="link title"]').find('span').text().encode('utf8').replace(' ', '')

    3、抓取链接

      抓取代码:url = 'http://www.toutiao.com' + element.find('a[class="link title"]').attr('href')

    4、抓取日期

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

    5、抓取来源

      抓取代码:source = element('a[class="lbtn source J_source"]').text().encode('utf8').replace(' ', '')

   

  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 toutiaoSpider(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 = cf.GetValue("toutiao", "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 + 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 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 '2小时前'; '2天前' ; '昨天' ;'2017.2.12 '
        :return: True:合法;False:不合法
        '''
        currentDate = time.strftime('%Y-%m-%d')
        if strDateText.find('分钟前') > 0 or strDateText.find('刚刚') > -1:
            return True, currentDate
        elif strDateText.find('小时前') > 0:
            datePattern = re.compile(r'\d{1,2}')
            ch = int(time.strftime('%H'))  # 当前小时数
            strDate = re.findall(datePattern, strDateText)
            if len(strDate) == 1:
                if int(strDate[0]) <= ch:  # 只有小于当前小时数,才认为是今天
                    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 = '------------------------------------------------------------------------------------'
        index = 0
        for link in self.start_urls:
            self.driver.get(link)

            keyword = self.keyword_list[index]
            index = index + 1
            time.sleep(1) #数据比较多,延迟下,否则会出现查不到数据的情况

            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="articleCard"]')

            for element in Elements.items():
                strdate = element('span[class="lbtn"]').text().encode('utf8').strip()
                flag, date = self.date_isValid(strdate)
                if flag:
                    title = element('a[class="link title"]').find('span').text().encode('utf8').replace(' ', '')
                    if title.find(keyword) > -1:
                        url = 'http://www.toutiao.com' + element.find('a[class="link title"]').attr('href')
                        source = element('a[class="lbtn source J_source"]').text().encode('utf8').replace(' ', '')

                        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)


            if len(infoList)>0:
                self.db.SaveInformations(infoList)

        self.driver.close()
        self.driver.quit()

obj = toutiaoSpider()
obj.scrapy_date()

 


http://www.niftyadmin.cn/n/1411238.html

相关文章

属性指令的解析原理——以 v-if 为例

问题提出 面试中&#xff0c;面试官不免要问&#xff0c;关于v-if这类的指令&#xff0c;实现的原理是什么&#xff1f; 效果图示&#xff1a; HTNL&#xff1a; <body> <div id"root"><div v-if"true">我是指令的展示和隐藏</di…

初学Android,OpenGL ES之旋转图形(八十一)

图形旋转比较简单&#xff0c;需要调用方法glRotatef(float angle,float x,float y,float z),angle是旋转角度,x,y,z是指的三轴这个例子在上篇基础上增加了旋转,在onDrawFrame(GL10 gl)中增加旋转角度,图形就可以不断的旋转了public class MyRenderer implements Renderer {flo…

JAVA 23种开发模式详解(代码举例)

设计模式&#xff08;Design Patterns&#xff09; ——可复用面向对象软件的基础 设计模式&#xff08;Design pattern&#xff09;是一套被反复使用、多数人知晓的、经过分类编目的、代码设计经验的总结。使用设计模式是为了可重用代码、让代码更容易被他人理解、保证代码可靠…

Web安全——XSS攻击以及防御

XSS&#xff08;跨站脚本攻击&#xff09; XSS——Cross site scripting 这是最常见的一种web安全问题。引起这种问题的原因是什么呢&#xff1f;主要是由于不合理的数据引起的。 <div>{ content } </div> 一般这样的页面结构&#xff0c;我们的页面解析出来的…

初学Android,OpenGL ES之绘制3D图形(八十二)

前一篇里使用了glDrawArrays,这次要绘制3D的图形,需要用到glDrawElements,比较一下两者的使用glDrawArrays(mode, first, count) 这是在OpenGL下绘制一个三角形的方法, 第一个模式如GL10.GL_FLOAT等&#xff0c; 第二个是当前三角形点的索引(标号)&#xff0c;第三个参数是点数…

初学Android,OpenGL ES之使用纹理(八十三)

在网上发现这些讲纹理的文章,非常不错 android 游戏导引(4. 简单纹理贴图) http://www.cnblogs.com/shengdoushi/archive/2011/01/13/1934181.htmlAndroid OpenGL es 纹理坐标设定与贴图规则 http://blog.csdn.net/cjkwin/article/details/6016224Android OpenGL | ES给立方体进…

Web安全——CSRF攻击和防御

什么是CSRF Cross site Request Forgy&#xff08;跨站请求伪造&#xff09; 主要是我们打开一个钓鱼网站&#xff0c;进去之后&#xff0c;这个钓鱼网站会得到你的信息&#xff0c;比如你的cookie的验证信息。它会在你不知情的情况下&#xff0c;做一些操作。 一般在一些社…

初学Android,网络应用之使用Socket(八十四)

创建服务端,一个普通Java程序,在PC端运行import java.io.IOException; import java.io.OutputStream; import java.net.ServerSocket; import java.net.Socket;public class SimpleServer {public static void main(String[] args) throws IOException{//创建一个ServerSocket,…