Python - 使用 selenium 的 javascript web 抓取无法正常工作答案

【问题标题】：Python - javascript web scraping with selenium does not work properlyPython - 使用 selenium 的 javascript web 抓取无法正常工作
【发布时间】：2015-06-18 13:28:10
【问题描述】：

我正在尝试从一个航班搜索网页中抓取一些数据。它可能是用 Javascript 生成的。我尝试了很多方法，但没有任何效果，所以我决定尝试 selenium。

from selenium import webdriver

driver = webdriver.Firefox()
driver.get('https://www.pelikan.sk/sk/flights/list?dfc=CVIE%20BUD%20BTS&dtc=CMAD&rfc=CMAD&rtc=CVIE%20BUD%20BTS&dd=2015-07-09&rd=2015-07-14&px=1000&ns=0&prc=&rng=1&rbd=0&ct=0')
print driver.page_source

虽然它返回最终的 javascript 生成的 html 代码，但是在浏览器中打开此页面时，我找不到该页面上的字符串。

问题可能出在哪里？我应该怎么做才能获得这些航班？

编辑：我忘了提到该页面正在不断加载新航班。因此，当您在浏览器中打开它时，它会显示一些航班，但仍会加载其他航班。

【问题讨论】：

标签： javascript python selenium selenium-webdriver web-scraping

【解决方案1】：

页面具有相当的动态性，您需要wait for the page to load。选择表明页面和搜索结果已加载的内容。例如，等到加载图像（带有鹈鹕）变为invisible：

from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC


driver = webdriver.Firefox()
driver.get("https://www.pelikan.sk/sk/flights/list?dfc=CVIE%20BUD%20BTS&dtc=CMAD&rfc=CMAD&rtc=CVIE%20BUD%20BTS&dd=2015-07-09&rd=2015-07-14&px=1000&ns=0&prc=&rng=1&rbd=0&ct=0")

wait = WebDriverWait(driver, 60)
wait.until(EC.invisibility_of_element_located((By.XPATH, '//img[contains(@src, "loading")]')))
wait.until(EC.invisibility_of_element_located((By.XPATH, u'//div[. = "Poprosíme o trpezlivosť, hľadáme pre Vás ešte viac letov"]/preceding-sibling::img')))

print(driver.page_source)

在这里，我们正在等待两只鹈鹕飞走消失：一只较大的鹈鹕和一只较小的鹈鹕。

【讨论】：