selenium網頁源碼xml解析（selenium 獲取html）
今天給各位分享selenium網頁源碼xml解析的知識，其中也會對selenium 獲取html進行解釋，如果能碰巧解決你現在面臨的問題，別忘了關注本站，現在開始吧！
本文目錄一覽：
selenium xml腳本怎么用
先對XPath做個簡坦培短介紹，之后用實例具體說明： 1.EXTJS的頁面源碼是多個div組成的，對于div id為常量時，可用div先定位，再由其讓裂唯他標簽定位，例如input field可用label name，button可用button上的文字來定位源春。 2.在定位更接近目標的節(jié)點時可用
python，求一個簡單的selenium+re的網頁源碼爬取
網頁爬取不一定要用Selenium，Selenium是為渣螞老了注入瀏覽器獲取點擊行為的調試工具，如果網頁無需人工交互就可以抓取，不建議你物臘使用selenium。要使用它，你需要安裝一個工具軟件，使用Chrome瀏覽器需要下載chromedriver.exe到system32下，如使用firefox則要下載geckodriver.exe到system32下。下面以chromedriver驅動chrome為例：
#?-*-?coding:UTF-8?-*-
from?selenium?import?webdriver
from?bs4?import?BeautifulSoup
import?re
import?time
if?__name__?==?'__main__':
options?=?webdriver.ChromeOptions()
options.add_argument('user-agent="Mozilla/5.0?(Linux;?Android?4.0.4;?Galaxy?Nexus?Build/IMM76B)?AppleWebKit/535.19?(KHTML,?like?Gecko)?Chrome/18.0.1025.133?Mobile?Safari/535.19"')
driver?=?webdriver.Chrome()
driver.get('url')#你要抓取百度文庫的URL，隨便找個幾十頁的替換掉
html?=?driver.page_source
bf1?=?BeautifulSoup(html,?'lxml')
result?=?bf1.find_all(class_='rtcspage')
bf2?=?BeautifulSoup(str(result[0]),?'lxml')
title?=?bf2.div.div.h1.string
pagenum?=?bf2.find_all(class_='size')
pagenum?=?BeautifulSoup(str(pagenum),?'lxml').span.string
pagepattern?=?re.compile('頁數：(\d+)頁')
num?=?int(pagepattern.findall(pagenum)[0])
print('文章標題：%s'?%?title)
print('如升文章頁數：%d'?%?num)
while?True:
num?=?num?/?5.0
html?=?driver.page_source
bf1?=?BeautifulSoup(html,?'lxml')
result?=?bf1.find_all(class_='rtcspage')
for?each_result?in?result:
bf2?=?BeautifulSoup(str(each_result),?'lxml')
texts?=?bf2.find_all('p')
for?each_text?in?texts:
main_body?=?BeautifulSoup(str(each_text),?'lxml')
for?each?in?main_body.find_all(True):
if?each.name?==?'span':
print(each.string.replace('\xa0',''),end='')
elif?each.name?==?'br':
print('')
print('\n')
if?num??1:
page?=?driver.find_elements_by_xpath("http://div[@class='page']")
driver.execute_script('arguments[0].scrollIntoView();',?page[-1])?#拖動到可見的元素去
nextpage?=?driver.find_element_by_xpath("http://a[@data-fun='next']")
nextpage.click()
time.sleep(3)
else:
break
執(zhí)行代碼，chromedriver自動為你打開chrome瀏覽器，此時你翻頁到最后，點擊閱讀更多，然后等一段時間后關閉瀏覽器，代碼繼續(xù)執(zhí)行。
python爬蟲怎么獲取動態(tài)的網頁源碼
一個月前實習導師布置任務說通過網絡爬蟲獲取深圳市氣橡差含象局發(fā)布的降雨數據，網頁如下：
心想，爬蟲不太難的，當年跟zjb爬煎蛋網無（mei）聊（zi）圖的時候，多么清高。由于接受任務后的一個月考試加作業(yè)一大堆，導師也不催，自己也不急。
但是，導師等我一個月都得讓我來寫意味著這東西得有多難吧。。。今天打開一看的確是這樣。網站是基于Ajax寫的，數據動態(tài)獲取，所以無法通過下載源代碼然后解析獲得。
從某不良少年寫的抓取淘寶mm的例子中收到啟發(fā)，對于這樣的情況，一般可以同構自己搭建瀏覽器實現。phantomJs，CasperJS都是不錯的選擇。
導師的要求是獲取過去一年內深圳每個區(qū)每個站點每小時的降雨量，執(zhí)行該操作需要通過如上圖中的歷史查詢實現，即通過一個時間來查詢，而這個時間存放在一個hidden類型的input標簽里，當然可以通過js語句將其改為text類型，然后執(zhí)行send_keys之類的操作。然而，我失敗了。時間可以修改設置，可是結果如下圖。
為此，僅抓取實時數據。選取python的selenium，模擬搭建瀏覽器，模擬人為的點擊等操作實現數據生成和獲取。selenium的一大優(yōu)點就是能獲取網頁渲染后的源代碼，即執(zhí)行操作后的源代碼梁笑。普通的通過 url解析網頁的方式只能獲取給定的數據慶哪，不能實現與用戶之間的交互。selenium通過獲取渲染后的網頁源碼，并通過豐富的查找工具，個人認為最好用的就是find_element_by_xpath("xxx")，通過該方式查找到元素后可執(zhí)行點擊、輸入等事件，進而向服務器發(fā)出請求，獲取所需的數據。
[python]?view plain?copy
#?coding=utf-8
from?testString?import?*
from?selenium?import?webdriver
import?string
import?os
from?selenium.webdriver.common.keys?import?Keys
import?time
import?sys
default_encoding?=?'utf-8'
if?sys.getdefaultencoding()?!=?default_encoding:
reload(sys)
sys.setdefaultencoding(default_encoding)
district_navs?=?['nav2','nav1','nav3','nav4','nav5','nav6','nav7','nav8','nav9','nav10']
district_names?=?['福田區(qū)','羅湖區(qū)','南山區(qū)','鹽田區(qū)','寶安區(qū)','龍崗區(qū)','光明新區(qū)','坪山新區(qū)','龍華新區(qū)','大鵬新區(qū)']
flag?=?1
while?(flag??0):
driver?=?webdriver.Chrome()
driver.get("hianCe/")
#?選擇降雨量
driver.find_element_by_xpath("http://span[@id='fenqu_H24R']").click()
filename?=?time.strftime("%Y%m%d%H%M",?time.localtime(time.time()))?+?'.txt'
#創(chuàng)建文件
output_file?=?open(filename,?'w')
#?選擇行政區(qū)
for?i?in?range(len(district_navs)):
driver.find_element_by_xpath("http://div[@id='"?+?district_navs[i]?+?"']").click()
#?print?driver.page_source
timeElem?=?driver.find_element_by_id("time_shikuang")
#輸出時間和站點名
output_file.write(timeElem.text?+?',')
output_file.write(district_names[i]?+?',')
elems?=?driver.find_elements_by_xpath("http://span[@onmouseover='javscript:changeTextOver(this)']")
#輸出每個站點的數據，格式為：站點名，一小時降雨量，當日累積降雨量
for?elem?in?elems:
output_file.write(AMonitorRecord(elem.get_attribute("title"))?+?',')
output_file.write('\n')
output_file.close()
driver.close()
time.sleep(3600)
文件中引用的文件testString只是修改輸出格式，提取有效數據。
[python]?view plain?copy
#Encoding=utf-8
def?OnlyCharNum(s,?oth=''):
s2?=?s.lower()
fomart?=?'abcdefghijklmnopqrstuvwxyz0123456789,.'
for?c?in?s2:
if?not?c?in?fomart:
s?=?s.replace(c,?'')
return?s
def?AMonitorRecord(str):
str?=?str.split(":")
return?str[0]?+?","?+?OnlyCharNum(str[1])
一小時抓取一次數據，結果如下：
selenium網頁源碼xml解析的介紹就聊到這里吧，感謝你花時間閱讀本站內容，更多關于selenium 獲取html、selenium網頁源碼xml解析的信息別忘了在本站進行查找喔。
