有的页面会使用frame 框架,使用Selenium + PhantomJS 后并不会加载iframe 框架中的网页内容。iframe 框架相当于在页面中又加载了一个页面,需要使用Selenium 的 switch_to.frame() 方法加载
(官网给的方法是switch_to_frame(),但是IDE提醒使用前面的方法替代该方法)。
比如:
driver.switch_to.frame('g_iframe')
一、介绍
本例子用Selenium +phantomjs爬取流媒体(http://www.lmtw.com/search.php?show=title%2Ckeyboard%2Cwriter&searchget=1&keyboard=%E7%94%B5%E8%A7%86)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('h2[class="r"]')
2、抓取标题
抓取代码:title = element.find('a').text().encode('utf8').strip()
3、抓取链接
抓取代码:url = element.find('a').attr('href')
4、抓取日期
抓取代码:dateElements = doc('span[class="a"]')
5、抓取来源
抓取代码:strSources = dochtml('div[class="from"]').text().encode('utf8').strip()
四、完整代码
#coding=utf-8
importosimportrefrom selenium importwebdriverimportselenium.webdriver.support.ui as uiimporttimeimportdatetimefrom pyquery importPyQuery as pqimportLogFileimportmongoDBimporturllibclasslmtwSpider(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.start_urls=[]#过滤项
self.filter =filterfor keyword inkeyword_list:
url= websearch_url +urllib.quote(keyword)
self.start_urls.append(url)defComapre_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
returnresultdefdate_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{2}-\d{2}')
strDate=re.findall(datePattern, strDateText)if len(strDate) == 1:if self.valid == 0 and self.Comapre_to_days(currentDate, strDate[0])==0:returnTrue, currentDateelif 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, ''
deflog_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)defscrapy_date(self):try:
strsplit= '------------------------------------------------------------------------------------'
#isbreak = False
keywordIndex =0for link inself.start_urls:
self.driver.get(link)
self.driver.switch_to.frame('iframepage')
keyword=self.keyword_list[keywordIndex]
keywordIndex+= 1selenium_html= self.driver.execute_script("return document.documentElement.outerHTML")
doc=pq(selenium_html)
infoList=[]
self.log.WriteLog(strsplit)
self.log_print(strsplit)
Elements= doc('h2[class="r"]')
dateElements= doc('span[class="a"]')
index=0for element inElements.items():
date=dateElements[index].text
index+= 1flag,strDate=self.date_isValid(date)ifflag:
title= element.find('a').text().encode('utf8').strip()#考虑过滤项
if title.find(self.filter)>-1:continue
if title.find(keyword) > -1:
url= element.find('a').attr('href')
dictM= {'title': title, 'date': strDate,'url': url, 'keyword': keyword, 'introduction': title}
infoList.append(dictM)if len(infoList) >0:for item ininfoList:
item['sourceType']=1url= item['url']
self.driver.get(url)#self.driver.switch_to.frame('iframepage')
htext = self.driver.execute_script("return document.documentElement.outerHTML")
dochtml=pq(htext)
strSources= dochtml('div[class="from"]').text().encode('utf8').strip()
txtsource= strSources[strSources.find('来源:') + 9:]
item['source']=txtsource[0:txtsource.find('')]
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)exceptException,e:
self.log.WriteLog('lmtwSpider:'+e.message)finally:pass