selenium網(wǎng)頁源碼xml解析(selenium 獲取html)
今天給各位分享selenium網(wǎng)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(xiàn)在面臨的問題,別忘了關注本站,現(xiàn)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(wǎng)頁源碼爬取
網(wǎng)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(diào)試工具,如果網(wǎng)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(qū)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(shù):(\d+)頁')
num?=?int(pagepattern.findall(pagenum)[0])
print('文章標題:%s'?%?title)
print('如升文章頁數(shù):%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(wǎng)頁源碼
一個月前實習導師布置任務說通過網(wǎng)絡爬蟲獲取深圳市氣橡差含象局發(fā)布的降雨數(shù)據(jù),網(wǎng)頁如下:
心想,爬蟲不太難的,當年跟zjb爬煎蛋網(wǎng)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(wǎng)站是基于Ajax寫的,數(shù)據(jù)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(xiàn)。phantomJs,CasperJS都是不錯的選擇。
導師的要求是獲取過去一年內(nèi)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(xiàn),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(shù)據(jù)。選取python的selenium,模擬搭建瀏覽器,模擬人為的點擊等操作實現(xiàn)數(shù)據(jù)生成和獲取。selenium的一大優(yōu)點就是能獲取網(wǎng)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(wǎng)頁的方式只能獲取給定的數(shù)據(jù)慶哪,不能實現(xiàn)與用戶之間的交互。selenium通過獲取渲染后的網(wǎng)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(shù)據(jù)。
[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(shù)據(jù),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(shù)據(jù)。
[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(shù)據(jù),結果如下:
selenium網(wǎng)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(nèi)容,更多關于selenium 獲取html、selenium網(wǎng)頁源碼xml解析的信息別忘了在本站進行查找喔。