Python3抓取javascript生成的html网页

用urllib等抓取网页，只能读取网页的静态源文件，而抓不到由javascript生成的内容。

究其缘由，是由于urllib是瞬时抓取，它不会等javascript的加载延迟，因此页面中由javascript生成的内容，urllib读取不到。

 

那由javascript生成的内容就真的没有办法读取了吗？非也！

本文要介绍一个python库：selenium，目前最新版本是 2.44.0

 

先安装：

pip install -U selenium

 

下面用三个例子来讲明其用法：

【例0】

• 打开一个Firefox浏览器
• 载入所给url地址的页面

1 from selenium import webdriver
2 
3 browser = webdriver.Firefox()
4 browser.get('http://www.baidu.com/')

 

【例1】

• 打开一个Firefox浏览器
• 载入百度主页
• 搜索 “seleniumhq”
• 关闭浏览器

 1 from selenium import webdriver
 2 from selenium.webdriver.common.keys import Keys
 3 
 4 browser = webdriver.Firefox()
 5 
 6 browser.get('http://www.baidu.com')
 7 assert '百度' in browser.title
 8 
 9 elem = browser.find_element_by_name('p')  # Find the search box
10 elem.send_keys('seleniumhq' + Keys.RETURN)  # 模拟按键
11 
12 browser.quit()

 

【例2】

Selenium WebDriver 经常使用于网络程序的测试。 下面是一个使用Python标准库 unittest 的例子:

 1 import unittest
 2 
 3 class BaiduTestCase(unittest.TestCase):
 4 
 5     def setUp(self):
 6         self.browser = webdriver.Firefox()
 7         self.addCleanup(self.browser.quit)
 8 
 9     def testPageTitle(self):
10         self.browser.get('http://www.baidu.com')
11         self.assertIn('百度', self.browser.title)
12 
13 if __name__ == '__main__':
14     unittest.main(verbosity=2)