Selenimu做爬虫 - oscarxie - 博客园

Selenimu做爬虫 - oscarxie - 博客园

Selenimu做爬虫

前面有介绍过Selenium作为开源的自动化测试框架，其实Selenium还可以作为爬虫工具。

举个例子，我想爬取中国概念股的一些信息，例如这样的：http://app.finance.ifeng.com/list/usstock_cn.php

先建个SeleniumUtil.py的文件

代码

# !/usr/bin/python2.5.2
# -*- coding: utf8 -*-

from  selenium  import  selenium

class  SeleniumUtil:
  seleniums  =  {}
  
   def  StartSeleniumForUrl(self, url):
    sel  =  selenium( " localhost " ,  4444 , " *chrome " , url)
    sel.start()
    sel.set_timeout( " 90000 " )
     return  sel

   def  GetSelenium(self, websiteName, url):
     # if websiteName in self.seleniums:
      #  return self.seleniums[websiteName]
    self.seleniums[websiteName]  =  self.StartSeleniumForUrl(url)
     return  self.seleniums[websiteName]
  
   def  StopSelenium(self, websiteName):
     if  websiteName  in  self.seleniums:
      self.seleniums[websiteName].stop()
    

复制代码

 

接着写个IfengFinanceSite.py文件来爬取需要的信息，例子如下，

代码

# !/usr/bin/python2.4
#  -*- coding: utf8 -*-

# Ifeng Site
#

import  codecs,time
from  SeleniumUtil  import  SeleniumUtil

ExchangeUrlMap  =  {
   " CCS " :  " http://app.finance.ifeng.com/list/usstock_cn.php " ,
   # "SHA_B": "http://stock.finance.sina.com.cn/stock/quote/shb%s.html",
}
ExchangeXPath  =   " //html/body/div[4]/div/div[2]/div/table/tbody/tr[%s]/td[1] "

class  IfengFinanceSite:

   #  result file for diff exchanges
   def  GetAllTickers(self, exchange, resultFiles):
    sln  =  SeleniumUtil().GetSelenium( " Ifeng " ,  " http://app.finance.ifeng.com/ " )
    myfile = codecs.open(resultFiles  %  exchange,  ' w ' ,  ' utf-8 ' )

    count  =  0

    sln.open(ExchangeUrlMap[exchange])
    time.sleep( 5 )
      
     for  j  in  range( 2 ,  200 ):
         if  sln.is_element_present(ExchangeXPath  %  j):
          context  =  sln.get_text(ExchangeXPath  %  j).strip()
           print   >>  myfile, context,  ' \r '
          count  =  count  +   1
         else :  break
     print   " %s companies for exchange %s recorded. "   %  (count, exchange)
    sln.stop()

exchangelist = [ " CCS " ]  # "SHA_A","SHA_B","SHE_A","SHE_B","SHA_Q","SHA_CEF","SHE_CEF","SHA_Bond","SHE_Bond"
for  exchange  in  exchangelist:    
     print  exchange
    resultFiles = " Ifeng_company_list_%s.txt "     
    IfengFinanceSite().GetAllTickers(exchange, resultFiles)

复制代码

 

之后启动Selenium服务，调动浏览器就能获取所有中国概念股股票代码，如果还需要其他的信息如名称、价格，只需要取得Xpath就行了。

再扩展开就是可以用Selenium做diff工具了，前后版本的对比，自有产品与竞争对手信息的对比。

当然，Selenium RC因为要调出浏览器，所以效率还是很一般，可以考虑用Selenium其他产品。