Python-爬蟲-針對有frame框架的頁面

　　有的頁面會使用frame 框架，使用Selenium + PhantomJS 后並不會加載iframe 框架中的網頁內容。iframe 框架相當於在頁面中又加載了一個頁面，需要使用Selenium 的 switch_to.frame() 方法加載

（官網給的方法是switch_to_frame()，但是IDE提醒使用前面的方法替代該方法）。

比如：

        driver.switch_to.frame('g_iframe')

 

 

　　一、介紹

　　　　本例子用Selenium +phantomjs爬取流媒體（http://www.lmtw.com/search.php?show=title%2Ckeyboard%2Cwriter&searchget=1&keyboard=%E7%94%B5%E8%A7%86）的資訊信息，輸入給定關鍵字抓取資訊信息。

　　　　給定關鍵字：數字；融合；電視

　　　　抓取信息內如下：

　　　　　　1、資訊標題

　　　　　　2、資訊鏈接

　　　　　　3、資訊時間

　　　　　　4、資訊來源

　

　　二、網站信息

　　　　

 

 　　　　

　　　　

 

 

 

　　三、數據抓取

　　　　針對上面的網站信息，來進行抓取

　　　　1、首先抓取信息列表

　　　　　　抓取代碼：Elements = doc('h2[class="r"]')

　　　　2、抓取標題

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

　　　　3、抓取鏈接

　　　　　　抓取代碼：url = element.find('a').attr('href')

　　　　4、抓取日期

　　　　　　抓取代碼：dateElements = doc('span[class="a"]')

　　　　5、抓取來源

　　　　　　抓取代碼：strSources = dochtml('div[class="from"]').text().encode('utf8').strip()

 　　

　　四、完整代碼

# coding=utf-8
import os
import re
from selenium import webdriver
import selenium.webdriver.support.ui as ui
import time
import datetime
from pyquery import PyQuery as pq
import LogFile
import mongoDB
import urllib
class lmtwSpider(object):
    def __init__(self,driver,log,keyword_list,websearch_url,valid,filter):
        '''

        :param driver: 驅動
        :param log: 日志
        :param keyword_list: 關鍵字列表
        :param websearch_url: 搜索網址
        :param valid:  采集參數 0：采集當天；1：采集昨天
        :param filter: 過濾項,下面這些內容如果出現在資訊標題中，那么這些內容不要，過濾掉
        '''
        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 = []
        # 過濾項
        self.filter = filter

        for keyword in keyword_list:
            url = websearch_url + urllib.quote(keyword)
            self.start_urls.append(url)


    def Comapre_to_days(self,leftdate, rightdate):
        '''
        比較連個字符串日期，左邊日期大於右邊日期多少天
        :param leftdate: 格式：2017-04-15
        :param rightdate: 格式：2017-04-15
        :return: 天數
        '''
        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):
        '''
        判斷日期時間字符串是否合法：如果給定時間大於當前時間是合法，或者說當前時間給定的范圍內
        :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:
                return True, currentDate
            elif 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, ''


    def log_print(self, msg):
        '''
        #         日志函數
        #         :param msg: 日志信息
        #         :return:
        #         '''
        print '%s: %s' % (time.strftime('%Y-%m-%d %H-%M-%S'), msg)

    def scrapy_date(self):
        try:
            strsplit = '------------------------------------------------------------------------------------'
            # isbreak = False
            keywordIndex = 0
            for link in self.start_urls:
                self.driver.get(link)
                self.driver.switch_to.frame('iframepage')
                keyword = self.keyword_list[keywordIndex]
                keywordIndex += 1

                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('h2[class="r"]')
                dateElements = doc('span[class="a"]')
                index = 0
                for element in Elements.items():
                    date = dateElements[index].text
                    index += 1
                    flag,strDate = self.date_isValid(date)
                    if flag:
                        title = element.find('a').text().encode('utf8').strip()

                        # 考慮過濾項
                        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 in infoList:
                        item['sourceType']=1
                        url = 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('來源：') + 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)
        except Exception,e:
            self.log.WriteLog('lmtwSpider:'+ e.message)
        finally:
            pass