[Python爬虫] 之十一:Selenium +phantomjs抓取活动行中会议活动信息

news/2024/7/19 12:30:44 标签: python, 爬虫, 数据库

 

  一、介绍

    本例子用Selenium +phantomjs爬取活动行(http://www.huodongxing.com/search?qs=数字&city=全国&pi=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('ul[class="event-horizontal-list-new"]').find('li')

    2、抓取标题

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

    3、抓取链接

      抓取代码:url = 'http://www.huodongxing.com' + element('a').attr('href')

    4、抓取日期

      抓取代码:strdate = element.find('div').eq(0).text().encode('utf8').strip()

    5、抓取主办方

      抓取代码:orgnizer = element('div').eq(2).find('a').eq(1).find('span').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
from selenium.webdriver.common.action_chains import ActionChains
import IniFile
# from threading import Thread
from pyquery import PyQuery as pq
import LogFile
import mongoDB
import urllib
class huodongxingSpider(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.db = mongoDB.mongoDbBase()
        self.keyword_list = cf.GetValue("section", "meeting_keywords").split(';')
        websearch_url = cf.GetValue("huodongxing", "websearchurl")
        self.start_urls = []
        for keyword in self.keyword_list:
            for i in xrange(1,4):
                url = websearch_url + '&pi=' + str(i) + '&qs=' + urllib.quote(keyword)
                self.start_urls.append(url)

        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: 三种格式 '2017.04.27 ~ 04.28'; '2017.04.20  08:30 ~ 12:30' ; '2015.12.29 ~ 2016.01.03'
        :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(strDate[0], currentDate) > 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('ul[class="event-horizontal-list-new"]').find('li')

            for element in Elements.items():
                strdate = element.find('div').eq(0).text().encode('utf8').strip()
                flag, date = self.date_isValid(strdate)
                if flag:
                    title = element('h3').find('a').text().encode('utf8').strip()
                    for keyword in self.keyword_list:
                        if title.find(keyword) > -1:
                            url = 'http://www.huodongxing.com' + element('a').attr('href')
                            orgnizer = element('div').eq(2).find('a').eq(1).find('span').text().encode('utf8').strip()
                            dictM = {'title': title, 'date': date,
                                     'url': url, 'keyword': keyword,
                                     'startdate': date, 'enddate': date,
                                     'area': '', 'organizer': orgnizer}
                            infoList.append(dictM)

                            break
            if 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)
                    area = dochtml('div[class="address"]').find('a').text().encode('utf8').strip()
                    item['area'] = area

                    # self.log.WriteLog('title:%s' % title)
                    # self.log.WriteLog('url:%s' % url)
                    # self.log.WriteLog('orgnizer:%s' % orgnizer)
                    # self.log.WriteLog('kword:%s' % keyword)
                    # self.log.WriteLog('area:%s' % area)
                    # self.log.WriteLog('-----------------------------------')

                    self.log_print('title:%s' % item['title'])
                    self.log_print('url:%s' % item['url'])
                    self.log_print('date:%s' % item['date'])
                    self.log_print('orgnizer:%s' % item['organizer'])
                    self.log_print('kword:%s' % item['keyword'])
                    self.log_print('area:%s' % area)
                    self.log_print('--------------------------')

                self.db.SaveMeetings(infoList)
        self.driver.close()
        self.driver.quit()

# obj = huodongxingSpider()
# obj.scrapy_date()

 

转载于:https://www.cnblogs.com/shaosks/p/6698316.html


http://www.niftyadmin.cn/n/1411736.html

相关文章

Vue初体验(四),关于事件v-on

事件是每个框架都绕不过去的话题&#xff0c;实现的方式各有千秋&#xff0c;而Vue中&#xff0c;我们使用v-on的指令来进行事件监听。 1、使用v-on监听事件。示例代码如下&#xff1a; <!DOCTYPE html> <html><head><meta charset"utf-8">…

LINQ To Xml:使用XPath

http://msdn.microsoft.com/zh-cn/library/bb675178.aspx 非常不错的教程&#xff0c;和示例

android dp 和px的区别

都是像素单位 但是dp 是按照屏幕分辨率来计算的 px是固定的大小 一般建议使用dp以控制不同分辨率的手机显示效果相同

最详细的JVMGC讲解

这篇文章是我之前翻阅了不少的书籍以及从网络上收集的一些资料的整理&#xff0c;因此不免有一些不准确的地方&#xff0c;同时不同JDK版本的差异也比较大。 不过文中一些JVM参数示例都是实际项目里调优的结果&#xff0c;还是经受过实战考验的。 目录 JVM简介JVM结构 2.1 方法…

Vue初体验(五)过滤器的使用

Vue.js 允许你自定义过滤器&#xff0c;被用作一些常见的文本格式化。使用格式为&#xff1a; <!-- 在两个大括号中 --> {{ message | capitalize }}<!-- 在 v-bind 指令中 --> <div v-bind:id"rawId | formatId"></div> 示例代码&#xf…

fetch学习(一)-入门篇

1、fetch是一个类似于Promise功能的web接口实现方式&#xff0c;目前除了IE浏览器&#xff0c;其他的高版本的浏览器都支持。官方是这样描述Fetch的&#xff1a;Fetch API提供了一个获取资源的API接口&#xff08;包括跨网络&#xff09;&#xff0c;任何使用过XMLHttpRequest的…

fetch学习(二)--提高篇

1、什么是fetch&#xff0c;我们看下面的官方定义&#xff1a; Promise<Response> fetch(input[, init]); 表明&#xff1a;fetch的返回值是一个Promise对象&#xff0c;Promise对象在请求成功的时候会resolve一个值&#xff0c;让我们在它的then方法中得到。Promise在…

Mybatis自动生成的配置实例

一、目录 按照图片准备下面的东西吧&#xff0c;基础jar&#xff0c;数据链接库的jar。 二、generatorConfig.xml <?xml version"1.0" encoding"UTF-8" ?> <!DOCTYPE generatorConfiguration PUBLIC "-//mybatis.org//DTD MyBatis Generat…