python 网页框架_Python-爬虫-针对有frame框架的页面

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