Python3抓取javascript生成的html網頁

用urllib等抓取網頁，只能讀取網頁的靜態源文件，而抓不到由javascript生成的內容。

究其原因，是因為urllib是瞬時抓取，它不會等javascript的加載延遲，所以頁面中由javascript生成的內容，urllib讀取不到。

 

那由javascript生成的內容就真的沒有辦法讀取了嗎？非也！

本文要介紹一個python庫：selenium，目前最新版本是 2.44.0

 

先安裝：

pip install -U selenium

 

下面用三個例子來說明其用法：

【例0】

• 打開一個Firefox瀏覽器
• 載入所給url地址的頁面

from selenium import webdriver

browser = webdriver.Firefox()
browser.get('http://www.baidu.com/')

 

【例1】

• 打開一個Firefox瀏覽器
• 載入百度主頁
• 搜索 “seleniumhq”
• 關閉瀏覽器

from selenium import webdriver
from selenium.webdriver.common.keys import Keys

browser = webdriver.Firefox()

browser.get('http://www.baidu.com')
assert '百度' in browser.title

elem = browser.find_element_by_name('p')  # Find the search box
elem.send_keys('seleniumhq' + Keys.RETURN)  # 模擬按鍵

browser.quit()

 

【例2】

Selenium WebDriver 常用於網絡程序的測試。 下面是一個使用Python標准庫 unittest 的例子:

import unittest

class BaiduTestCase(unittest.TestCase):

    def setUp(self):
        self.browser = webdriver.Firefox()
        self.addCleanup(self.browser.quit)

    def testPageTitle(self):
        self.browser.get('http://www.baidu.com')
        self.assertIn('百度', self.browser.title)

if __name__ == '__main__':
    unittest.main(verbosity=2)