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

　　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()