推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 2053 天前的主题，其中的信息可能已经有所发展或是发生改变。
昨天入门了下爬虫
今天遇到了问题
我想爬这个图片网的图片
就是用 selenium 获取到了 url
但是得到的 driver.page_source 的值是一堆 javascript，没有之类的标签
而我想获得的是
里的内容
所以现在用 beautifulsoup 解析不出来
BeautifulSoup(driver.page_source, 'lxml').find_all('a', class_='cV68d')
应该怎么解决？貌似用 driver.get_element 之类的方法也能找出来标签内容，但我想把整个 driver.page_sourse 的内容解析出来，用 soup 来处理
 |
1
zgcwkj 2019-04-02 15:27:31 +08:00  1
给个方法：（只在你说的这个网站有效）
1，打开这个网址（ https://unsplash.com/），仔细观察网页源码的每张图片数据，可以发现每张图片都是以 A 标签，并且 A 标签都是（ href="/photos/***"） 2，在开发者工具切换到（ Network ）节点，回到网页，点击任意一张图片进行预览，再到开发者工具的（ Network ）选项卡，可以看到请求的数据有哪些，细心观察数据请求，会有一个是请求到（ https://unsplash.com/napi/photos/***） 3，我们使用正则匹配（ https://unsplash.com/）的网页源码，匹配到每张图片的（ href="/photos/***"）内容（***是图片的 ID ） 4，然后结合第二步的工作，然后通过 GET 请求这个地址（ https://unsplash.com/napi/photos/****），会返回一个 JSON 数据，找到 urls.full 这个数据就是图片下载链接，可以直接把文件下载下来！ 仅提供思路，不要转载，仅在 V2EX 发表 |
 |
2
LZSZ 2019-04-02 15:46:49 +08:00
直接抓源码不行吗 <script>window.__INITIAL_STATE__ = ｛ xxxxxxx ｝</script> 里面的 转换成 json 格式读就可以了
|
 |
3
longchisihai 2019-04-02 15:47:05 +08:00
楼上的回复真是 stackoverflow 即视感
|
 |
4
larendorrx 2019-04-02 15:52:21 +08:00
客户端渲染的页面就更好抓了, 它总要去请求数据的, 所以就去看请求的格式, 直接 request 就完事了, 当然要注意 Headers.
可能会有一些认证之类的 |
|
5
LZSZ 2019-04-02 15:55:31 +08:00
https://unsplash.com/developers 提供了 api 啊 好像是免费的 你看看
|
 |
6
boatfu OP 1
谢谢大家的分析,凶手找到了,是因为时间太短,页面没有加载出来,driver 创建后,先用 time.sleep(10),就没问题啦
|
 |
7
janstk 2019-04-02 21:21:39 +08:00
|
 |
8
realkenshinji 2019-04-02 21:35:20 +08:00 via iPhone
人家明明都有 api 给你用了，哎....
|
 |
9
gengfire 2019-04-03 09:01:23 +08:00
|
Select Language