selenium爬取不到网页源码（使用selenium爬虫并解析网页）

今天给各位分享selenium爬取不到网页源码的知识，其中也会对使用selenium爬虫并解析网页进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

• 1、python，求一个简单的selenium+re的网页源码爬取
• 2、源码里有的东西，为什么我用selenium提取不到？
• 3、网页不能查看源代码，这种网页怎么爬取
• 4、python爬虫怎么获取动态的网页源码
• 5、python下用selenium的webdriver包如何取得打开页面的html源代码？

python，求一个简单的selenium+re的网页源码爬取

网页爬取不一定要用Selenium，Selenium是为了注入浏览器获取点击行为的调试工具，如果网页无需人工交互就可以抓取，不建议你使用selenium。要使用它，你需要安装一个工具软件，使用Chrome浏览器需要下载chromedriver.exe到system32下，如使用firefox则要下载geckodriver.exe到system32下。下面以chromedriver驱动chrome为例：

# -*- 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')#你要抓取百度文库的URL，随便找个几十页的替换掉

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('页数：(\d+)页')

num = int(pagepattern.findall(pagenum)[0])

print('文章标题：%s' % title)

print('文章页数：%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("//div[@class='page']")

driver.execute_script('arguments[0].scrollIntoView();', page[-1]) #拖动到可见的元素去

nextpage = driver.find_element_by_xpath("//a[@data-fun='next']")

nextpage.click()

time.sleep(3)

else:

break

执行代码，chromedriver自动为你打开chrome浏览器，此时你翻页到最后，点击阅读更多，然后等一段时间后关闭浏览器，代码继续执行。

源码里有的东西，为什么我用selenium提取不到？

有网友碰到过这样的如何用python的selenium提取页面所有资源加载的链接,问题详细内容为:如何用python的selenium提取页面所有资源加载的链接,我搜你通过互联网收集了相关的一些解决方案,希望对有过相同或者相似问题的网友提供帮助,具体如下:

解决方案1：

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。

用python selenium提取网页中的所有a标签中的超...

答：提取所有链接应该用循环： urls = driver.find_elements_by_xpath("//a")for url in urls: print(url.get_attribute("href"))如果get_attribute方法报错应该是没有找到a标签对象，如果确定是有的话，可能是页面加载比较慢还没加载出来，selenium...

如何用python的selenium提取页面所有资源加载的链接

答：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

网页不能查看源代码，这种网页怎么爬取

二种方法。

1、抓包，找到真正的url，模拟post或get

2、用selenium+phantomjs 或firefox 或chrome

python爬虫怎么获取动态的网页源码

一个月前实习导师布置任务说通过网络爬虫获取深圳市气象局发布的降雨数据，网页如下：

心想，爬虫不太难的，当年跟zjb爬煎蛋网无（mei）聊（zi）图的时候，多么清高。由于接受任务后的一个月考试加作业一大堆，导师也不催，自己也不急。

但是，导师等我一个月都得让我来写意味着这东西得有多难吧。。。今天打开一看的确是这样。网站是基于Ajax写的，数据动态获取，所以无法通过下载源代码然后解析获得。

从某不良少年写的抓取淘宝mm的例子中收到启发，对于这样的情况，一般可以同构自己搭建浏览器实现。phantomJs，CasperJS都是不错的选择。

导师的要求是获取过去一年内深圳每个区每个站点每小时的降雨量，执行该操作需要通过如上图中的历史查询实现，即通过一个时间来查询，而这个时间存放在一个hidden类型的input标签里，当然可以通过js语句将其改为text类型，然后执行send_keys之类的操作。然而，我失败了。时间可以修改设置，可是结果如下图。

为此，仅抓取实时数据。选取python的selenium，模拟搭建浏览器，模拟人为的点击等操作实现数据生成和获取。selenium的一大优点就是能获取网页渲染后的源代码，即执行操作后的源代码。普通的通过 url解析网页的方式只能获取给定的数据，不能实现与用户之间的交互。selenium通过获取渲染后的网页源码，并通过丰富的查找工具，个人认为最好用的就是find_element_by_xpath("xxx")，通过该方式查找到元素后可执行点击、输入等事件，进而向服务器发出请求，获取所需的数据。

[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 = ['福田区','罗湖区','南山区','盐田区','宝安区','龙岗区','光明新区','坪山新区','龙华新区','大鹏新区']

flag = 1

while (flag  0):

driver = webdriver.Chrome()

driver.get("hianCe/")

# 选择降雨量

driver.find_element_by_xpath("//span[@id='fenqu_H24R']").click()

filename = time.strftime("%Y%m%d%H%M", time.localtime(time.time())) + '.txt'

#创建文件

output_file = open(filename, 'w')

# 选择行政区

for i in range(len(district_navs)):

driver.find_element_by_xpath("//div[@id='" + district_navs[i] + "']").click()

# print driver.page_source

timeElem = driver.find_element_by_id("time_shikuang")

#输出时间和站点名

output_file.write(timeElem.text + ',')

output_file.write(district_names[i] + ',')

elems = driver.find_elements_by_xpath("//span[@onmouseover='javscript:changeTextOver(this)']")

#输出每个站点的数据，格式为：站点名，一小时降雨量，当日累积降雨量

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只是修改输出格式，提取有效数据。

[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])

一小时抓取一次数据，结果如下：

python下用selenium的webdriver包如何取得打开页面的html源代码？

这个可以通过浏览器自带的f12 。

或者通过鼠标右键，审计元素获得当前html源代码。

步骤如下:

使用框架载入形式，代码如下：

代码解析：

src=＂123.htm＂ 载入的页面 。

scrolling=no 有3个选择 分别为yes no auto 这个就是设置下拉条的，yes为有下拉条，no

为没有，auto为自动识别。

width=500 载入页面的宽度 。

height=500 载入页面的高度 。

bordercolor=＂#000000＂ 载入页面的背景颜色 。

提示：只要复制我那句代码，然后再把宽度和高度设置成你想要的。

selenium爬取不到网页源码的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于使用selenium爬虫并解析网页、selenium爬取不到网页源码的信息别忘了在本站进行查找喔。