定时从某网站爬取压缩包

一、缘 起

要买房，但是大西安现在可谓是一房难求，大家都争先恐后地排队交资料、摇号。截止到现在，笔者已经参与过6个楼盘的摇号/选房，但种种原因，依然没买到合适的房子，无奈，一首 凉~ 凉~ 回荡在心~
价格公示，每次都会在买房群里热议，因为看到新公布的价格就意味着有更多房源即将开盘，大家买房的热情又会被重新点燃~
闪念，有一次的一个念想，如果能实时监控物价局官网、自动下载压缩包并提醒我，这样岂不快哉，于是之前了解的一点点网络爬虫就派上用场~
于是，开干！

二、思 路

首先，用selenium（PhantomJS）爬取网站的下载链接
然后，用Python request模块的urlretrieve() 方法下载压缩包
接着，用Python zipfile模块的extractall()方法解压
最后，定时运行脚本，有下载更新时候弹出提示

三、说 明

1. Python3.6 + PhantomJS + .vbs脚本 + .bat脚本
2. PhantomJS：因为要做实时监控，所以爬取网页链接必须在后台运行， 而PhantomJS正可谓是无界面版的Selenium（仅个人通俗的理解，对PhantomJS更准确的说明和用法请自行百度）
3. 定时运行，首先想到的是Jenkins持续集成，但鉴于笔者对Jenkins不甚熟悉，并且目前也只想基于Windows运行，故选择了较为简单的方法，即在Windows下添加定时任务，具体方法请自行百度，很简单
4. 因为.bat批处理脚本调用Python脚本每次都会打开cmd命令框，所以用.vbs脚本来调用Python脚本

5. 更新提醒，可以发送邮件，但是笔者用了最简单的方法，即有更新时候调用openFolder.bat批处理脚本自动打开house_prices文件夹

   四、实 现

   先上两张物价局官网
   
   

• downloadZip.py

1. 主程序分为两部分，get_url()函数用于从一级下载页面爬取链接，初次运行脚本会将一级下载页面首页的所有链接爬取下来并写入txt，后面如果再有更新，只会将最新的一级下载页面链接追加到txt里面，当get_url()函数返回值为0，表示无更新，返回值为1表示初次运行脚本，否则表示有部分更新

......
from selenium import webdriver


def get_url():

    """
    获取url并写入txt
    :return:download_flag 
    """
    # 页面为iframe框架
    driver.switch_to.frame('iframecenter')
    date_list = driver.find_elements_by_xpath('.//*[@id="tablelist"]/tbody/tr/td[3]/span')
    fw = open(cur_path + "/house_prices/url_list.txt", 'a')
    fr = open(cur_path + "/house_prices/url_list.txt", 'r')
    download_flag = 0
    # print(fr.readlines())
    f_list = fr.readlines()
    # print(f_list)
    if len(f_list) == 0:
        for i in reversed(range(len(date_list))):   # 写入顺序为时间逆序
            fw.writelines(driver.find_elements_by_id('linkId')[i].get_attribute('href'))
            fw.write('\n')
        download_flag = 1
    else:
        # 获取txt文件里面最新的一级下载页面链接的trid
        f_latest_num = int(f_list[-1].split('=')[1])
        for i in reversed(range(0, 5)):   
        # 获取当前网站最新的5条一级下载页面链接及trid，如果当前网站的trid > txt最新的trid，则追加到txt
            latest_url = driver.find_elements_by_id('linkId')[i].get_attribute('href')
            latest_url_num = int(latest_url.split('=')[1])
            if f_latest_num < latest_url_num:
                fw.writelines(latest_url)
                fw.write('\n')
                download_flag = download_flag + 1

    fw.close()
    return download_flag

1. 主程序第二部分，download_zip()函数根据get_url()函数返回值判断，是否要进入二级下载页面下载压缩包，并且只有在有下载发生时候才调用openFolder.bat打开house_prices文件夹，做以提示，否则不执行下载函数不打开文件夹

......
from urllib import request
import zipfile
import os
......
def download_zip():

    """
    从txt中读取url并下载zip
    :return:
    """
    flag = get_url()
    if flag == 1:
        fr = open(cur_path + "/house_prices/url_list.txt", 'r')
        all_lines = fr.readlines()
        for line_url in all_lines:
            driver.get(line_url)
            driver.implicitly_wait(15)
            # 页面为iframe框架
            driver.switch_to.frame('showconent1')
            download_url = driver.find_element_by_partial_link_text('商品住房价格')
            download_url = download_url.get_attribute('href')
            zipname = cur_path + '/house_prices/' + download_url.split('/')[6]
            filename = zipname.split('.')[0]
            request.urlretrieve(download_url, zipname)
            # 解压并删除压缩包
            try:
                with zipfile.ZipFile(zipname) as zfile:
                    zfile.extractall(path=filename)
                if os.path.exists(zipname):
                    os.remove(zipname)
            except zipfile.BadZipFile as e:
                print(filename + " is a bad zip file ,please check!")

        # 有更新数据打开文件夹
        os.system(cur_path + "/openFolder.bat")

    elif flag != 1 and flag != 0:
        fr = open(cur_path + "/house_prices/url_list.txt", 'r')
        all_lines = fr.readlines()
        for line_url in range(flag):
            driver.get(all_lines[-line_url-1])
            driver.implicitly_wait(15)
            driver.switch_to.frame('showconent1')
            # download_url = driver.find_element_by_xpath('/html/body/div/div[3]/p[3]/a')
            download_url = driver.find_element_by_partial_link_text('商品住房价格')
            download_url = download_url.get_attribute('href')
            zipname = cur_path + '/house_prices/' + download_url.split('/')[6]
            filename = zipname.split('.')[0]
            request.urlretrieve(download_url, zipname)
            # 解压并删除压缩包
            try:
                with zipfile.ZipFile(zipname) as zfile:
                    zfile.extractall(path=filename)
                if os.path.exists(zipname):
                    os.remove(zipname)
            except zipfile.BadZipFile as e:
                print(filename + " is a bad zip file ,please check!")

        # 有更新数据打开文件夹
        os.system(cur_path + "/openFolder.bat")

• autoDownloadZip.vbs
  用于调用Python脚本且不会打开cmd命令框

currentpath = createobject("Scripting.FileSystemObject").GetFile(Wscript.ScriptFullName).ParentFolder.Path
createobject("wscript.shell").run currentpath + "\downloadZip.py",0

• openFolder.bat
  用于打开house_prices文件夹

start %~dp0\house_prices

五、最 后

Git地址：https://gitee.com/freedomlidi/autoDownloadZip.git

OK！

定时从某网站爬取压缩包

原文：https://www.cnblogs.com/freedomlidi/p/12431224.html