Selenium获取网页源码

Altumn

发布于 2019-10-21 17:33:38

6K0

发布于 2019-10-21 17:33:38

文章被收录于专栏：软件测试testclass

写在前面

Python+Selenium可以做网络爬虫。所以，我们可以从网页源码中爬出想要的信息。

Selenium的page_source方法可以获取到页面源码。获取到源码以后可以再查找自己想要的信息。

源码保存

为了方便查看网页源码，我们可以借用python提供的方法，将获取到的网页源码写入到html文件中。

#get_source.py
#www.testclass.cn
#Altumn
from selenium import webdriver
driver = webdriver.Chrome()
driver.get("https://www.testclass.cn/")
driver.maximize_window()
driver.implicitly_wait(10)
page = driver.page_source

#打印源码，防止乱码加上编码格式；
print(page.encode("utf8"))

#保存网页源码名称为：testclass_cn.html，存储路径为工程根目录；
f=open('./testclass_cn.html',mode="w",encoding="utf-8")
f.write(page)

存储的网页效果(局部截图)：

源码操作

成功获取源码以后，我们可以在源码中继续查找想要的信息。

例如，我想要获取该页面上所有关于‘.html’链接的信息。或者我们把抓取的URL集保存到本地文档中。

#get_source.py
#www.testclass.cn
#Altumn
from selenium import webdriver
import re
driver = webdriver.Chrome()
driver.get("https://www.testclass.cn/")
driver.maximize_window()
driver.implicitly_wait(10)
page = driver.page_source

#用正则表达式匹配URL集;
url_list = re.findall('href=\"(.*?)\"', page, re.S)
#打印出含有".html"的URL集
for url in url_list:    
    if ".html" in url: 
        print(url)
#存储获取到的URL到data.txt;
with open('data.txt','w') as f:    
    for url in url_list:
        f.write(url + '\n')

上面主要介绍了Selenium获取网页源码的基本操作方法，如果想要精通爬虫，需要掌握一门语言如python，然后熟悉使用正则表达式，了解网页html结构等一大箩筐技能。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2019-04-03，如有侵权请联系 cloudcommunity@tencent.com 删除

selenium