Python selenium如何打包静态网页并下载
(编辑:jimmy 日期: 2024/11/17 浏览:3 次 )
需求:单纯的将page.source写入文件的方式,会导致一些图片无法显示,对于google浏览器,直接将页面打包下载成一个mhtml格式的文件,则可以进行离线下载。对应python selenium 微信公众号历史文章随手一点就返回首页?郁闷之下只好将他们都下载下来。:https://www.jb51.net/article/193111.htm
遇到的问题:
1、单纯使用webdriver.ActionChains无法完成下载动作,未能操作windows窗口。
2、没有找到相关能直接下载.mhtml的命名接口。
3、pywin32置顶窗口的使用不顺利。
解决思路:
1、使用selnium打开浏览器,不要操作,让其保持置顶
2、使用pyautogui、pyperclip操作键盘、鼠标、剪切板进行下载文件。
准备材料:
需要将自动化操作的一些图片截取下来,以作为后期图片匹配使用。
实现:
1、打开爬取好的链接,遍历所有需要下载的页面
# 读取文件 filename = r'data/01 爬取微信公众号历史文章/urls 二律背反的一灯如豆-out.xlsx' df = pd.read_excel(filename,dtype=object) df = df.reindex(columns=['日期', '标题', '原创', '地址','完成情况','储存地址']) #df = df.head(5) dfsel = (df['标题'] !='随文') & (df['完成情况'] != 1) save_folder = r"I:\code\python\data\01 爬取微信公众号历史文章\01 二律背反的一灯如豆" + "\\" # 设置保存格式为 mhtml,减少要操作文件保存下拉框的情况 options = webdriver.ChromeOptions() options.add_argument('--save-page-as-mhtml') # 启动浏览器 driver = webdriver.Chrome(options=options) wait = WebDriverWait(driver,10) df.loc[dfsel,"完成情况"],df.loc[dfsel,"储存地址"] = zip(*df[dfsel].apply(download_mhtml_with_not_check, axis=1,args=(driver,wait)))
2、编写相关下载页面函数
# 在timeout秒内,返回中心值,间隔时长time_setp # 封装一个pyautogui限时查找函数 # def finde_gui_element(png,timeout = 5,time_setp=0.2): i = 1 if timeout <=0 : timeout = 5 if time_setp <=0 : time_setp = 0.2 while True: if i > timeout/time_setp: return None center = pyautogui.locateCenterOnScreen(png,grayscale=False,confidence=0.9) if center == None: time.sleep(0.2) else: return center i = i + 1
主要自动化操作代码:
def download_mhtml_with_not_check(x,driver,wait): name = '' try: url = str(x['地址']) driver.get(url) # 获取浏览器标题,用于检测是否是置顶页 wait.until(EC.presence_of_element_located((By.XPATH,'//h2[@id="activity-name"]'))) title = driver.find_element_by_xpath('//h2[@id="activity-name"]').text print('no:',x.name,'url:',url,'title:',title) wait.until(EC.presence_of_element_located((By.XPATH,'//div[@id="page-content"]'))) #进入下载 pyautogui.hotkey('ctrl', 's') # 等待一下对话框弹出 time.sleep(1) bt = finde_gui_element(r'data\png\save.png') #查找保存按键 if bt == None: return (0,'') else: # 根据标题组合成具体路径 name = save_folder + ' ' + title + '.mhtml' #print(name) pyperclip.copy(name) pyautogui.hotkey('ctrl', 'v') time.sleep(0.1) pyautogui.hotkey('Enter') # 检查是否弹出另存为 bt = finde_gui_element(r'data\png\confirmsaveas.png',timeout=0.5) if bt != None: # 说明出现重复明明,点击覆盖 pyautogui.hotkey('Tab') pyautogui.hotkey('Enter') return (1,name) bt = finde_gui_element(r'data\png\cancle.png',timeout=0.5) if bt != None: #还爱,说明出现了一些异常 pyautogui.hotkey('esc') pyautogui.hotkey('esc') pyautogui.leftClick(bt) return (-1,name) # 加多一个esc防止出现窗口还在 pyautogui.hotkey('esc') except Exception as e: print(str(e)) return (-2,name) return (1,name)
最后写入excel:
通过vba代码,将单元格地址添加上超链接:
Option Explicit Sub add_hype() Dim ws As Worksheet, arr As Variant, i As Long Set ws = ThisWorkbook.Worksheets(1) arr = ws.UsedRange.Value ws.Cells.Hyperlinks.Delete For i = 2 To UBound(arr) If CStr(arr(i, 2)) = "随文" Then Else If CStr(arr(i, 5)) = "1" Then ws.Hyperlinks.Add Anchor:=ws.Cells(i, 6), Address:=CStr(arr(i, 6)) End If End If Next i End Sub
完成。
不足之处:
1、通过autogui操作,难免会遇到弹窗的情况,需要增加活动窗体置顶,但是一直没有找到有效的方法。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
下一篇:Python面向对象实现方法总结