如何用python的selenium提取页面所有资源加载的链接
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了如何用python的selenium提取页面所有资源加载的链接相关的知识,希望对你有一定的参考价值。
参考技术A 用浏览器打开你那个连接(完整加载),通过查看源
找到你要的数据(记住标记,比如某个元素),selenium+python获取到页面代码再去判断查找你的标记就知道是否加载完了。 参考技术B 最近需要写一个爬虫,逻辑上有一个环节是取得一个页面的所有资源加载链接(html5页面)
(ps:python下的确是是有个第三方包叫Ghost.py可以取得,但是尝试后效果并不好,估计是因为Ghost.py的webkit对html5的支持并不好。)
选择用selenium,但是没找到selenium的webdriver下取得所有资源加载链接的方法。
selenium包下有一个selenium模块。查看源码时看到有个get_all_links方法。但是一直没找到这个模块的用法。
最后,求解答。谢谢大家。
方法不成的话,就自己do
it把:
all_links
=
browser.find_element_by_xpath('//a')
for
a
in
all_links:
a.getAttribute('href')
如何用python+selenium+phantomjs获得一个网页的动态生成的html代码
参考技术A一般我们使用python的第三方库requests及框架scrapy来爬取网上的资源,但是设计javascript渲染的页面却不能抓取,此时,我们使用web自动化测试化工具Selenium+无界面浏览器PhantomJS来抓取javascript渲染的页面,下面实现一个简单的爬取
环境搭建
准备工具:python3.5,selenium,phantomjs
我的电脑里面已经装好了python3.5
安装Selenium
1pip3 install selenium安装Phantomjs
按照系统环境下载phantomjs,下载完成之后,将phantomjs.exe解压到python的script文件夹下
使用selenium+phantomjs实现简单爬虫
123456789from selenium import webdriver driver = webdriver.PhantomJS()driver.get('httpdu.com') #加载网页data = driver.page_source #获取网页文本driver.save_screenshot('1.png') #截图保存print(data)driver.quit()selenium+phantomjs的一些使用方法
设置请求头里的user-Agent
123456789101112from selenium import webdriverfrom selenium.webdriver.common.desired_capabilities import DesiredCapabilities dcap = dict(DesiredCapabilities.PHANTOMJS) #设置useragentdcap['phantomjs.page.settings.userAgent'] = ('Mozilla/5.0 (Macintosh; Intel Mac OS X 10.9; rv:25.0) Gecko/20100101 Firefox/25.0 ') #根据需要设置具体的浏览器信息driver = webdriver.PhantomJS(desired_capabilities=dcap) #封装浏览器信息driver.get('h.com') #加载网页data = driver.page_source #获取网页文本driver.save_screenshot('1.png') #截图保存print(data)driver.quit()请求超时设置
webdriver类中有三个和时间相关的方法:
1.pageLoadTimeout 设置页面完全加载的超时时间,完全加载即完全渲染完成,同步和异步脚本都执行完
2.setScriptTimeout 设置异步脚本的超时时间
3.implicitlyWait 识别对象的智能等待时间
1234567from selenium import webdriver driver = webdriver.PhantomJS()driver.set_page_load_timeout(5) #设置超时时间driver.get('httbaidu.com')print(driver.title)driver.quit()设置浏览器窗口大小
调用启动的浏览器不是全屏的,有时候会影响我们的某些操作,所以我们可以设置全屏
12driver.maximize_window() #设置全屏driver.set_window_size('480','800') #设置浏览器宽480,高800元素定位
123456789101112131415161718from selenium import webdriver driver = webdriver.PhantomJS()driver.set_page_load_timeout(5)driver.get('idu.com')try: driver.get('.com') driver.find_element_by_id('kw') # 通过ID定位 driver.find_element_by_class_name('s_ipt') # 通过class属性定位 driver.find_element_by_name('wd') # 通过标签name属性定位 driver.find_element_by_tag_name('input') # 通过标签属性定位 driver.find_element_by_css_selector('#kw') # 通过css方式定位 driver.find_element_by_xpath("//input[@id='kw']") # 通过xpath方式定位 driver.find_element_by_link_text("贴吧") # 通过xpath方式定位 print(driver.find_element_by_id('kw').tag_name ) # 获取标签的类型except Exception as e: print(e)driver.quit()操作浏览器前进或后退
1234567891011121314from selenium import webdriverdriver = webdriver.PhantomJS()try: driver.get('httaidu.com') #访问百度首页 driver.save_screenshot('1.png') driver.get('ht.sina.com.cn') #访问新浪首页 driver.save_screenshot('2.png') driver.back() #回退到百度首页 driver.save_screenshot('3.png') driver.forward() #前进到新浪首页 driver.save_screenshot('4.png')except Exception as e: print(e)driver.quit()好文要顶 关注我 收藏该文
以上是关于如何用python的selenium提取页面所有资源加载的链接的主要内容,如果未能解决你的问题,请参考以下文章
页面有很多链接,如何用selenium进行自动化测试,验证每个链接的正确性