本文旨在指导初学者使用 Selenium 和 Python 抓取网页中点击按钮后更新的 HTML 代码。通过示例代码演示如何定位按钮并模拟点击，以及如何获取每次点击后的完整页面源代码。我们将重点介绍如何通过文本定位元素，并处理页面跳转的情况，确保能够完整抓取每次点击后的页面数据。
使用 Selenium 抓取动态网页 HTML 代码
在Web数据抓取中，经常会遇到需要与网页进行交互的情况，例如点击按钮后页面内容才会更新。Selenium 结合 Python 提供了一种强大的解决方案，可以模拟用户行为，抓取动态生成的 HTML 代码。
定位和点击按钮
首先，我们需要使用 Selenium 定位到需要点击的按钮。 推荐使用按钮上的文本内容进行定位，因为文本通常比 XPath 更稳定。
以下代码演示了如何使用按钮文本定位元素并进行点击：
立即学习“Python免费学习笔记（深入）”；
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.firefox.options import Options
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
options = Options()
options.headless = True # 设置为无头模式，不在图形界面中显示浏览器
# options.binary_location = r'/bin/firefox' # 如果 Firefox 的二进制文件不在默认路径，需要指定
driver = webdriver.Firefox(options=options)
driver.set_window_size(1920, 1080) #设置窗口大小，方便调试
driver.get('https://blabla.bla') # 替换为你的目标网页
all_htmls = []
# 定义一个函数，用于点击按钮并获取 HTML 代码
def click_button_and_get_html(button_text):
try:
# 使用 WebDriverWait 确保元素加载完成
button = WebDriverWait(driver, 10).until(
EC.element_to_be_clickable((By.LINK_TEXT, button_text))
)
button.click()
# 获取点击后的 HTML 代码
html_code = driver.page_source
all_htmls.append(html_code)
print(f"Successfully clicked button '{button_text}' and captured HTML.")
except Exception as e:
print(f"Error clicking button '{button_text}': {e}")
# 依次点击按钮并获取 HTML 代码
click_button_and_get_html("Banana")
click_button_and_get_html("Apple")
click_button_and_get_html("Orange")
# 打印所有获取到的 HTML 代码数量
print(f"Total HTMLs captured: {len(all_htmls)}")
driver.quit() #关闭浏览器代码解释：
- 导入必要的库： 导入 selenium 相关模块，包括 webdriver、By（用于元素定位）、Options（用于配置浏览器选项）和 WebDriverWait (显式等待)
- 配置浏览器选项： 设置 headless 为 True 可以在后台运行浏览器，无需显示界面。
- 创建 WebDriver 实例： 创建 Firefox 的 WebDriver 实例，并传入配置选项。
- 打开网页： 使用 driver.get() 方法打开目标网页。
-
定义 click_button_and_get_html 函数：
- 使用 WebDriverWait 和 EC.element_to_be_clickable 确保按钮可以点击。
- 使用 By.LINK_TEXT 通过链接文本定位按钮。
- 点击按钮后，使用 driver.page_source 获取当前页面的 HTML 代码。
- 将获取到的 HTML 代码添加到 all_htmls 列表中。
- 依次点击按钮： 调用 click_button_and_get_html 函数，依次点击 "Banana"、"Apple" 和 "Orange" 按钮，并获取每次点击后的 HTML 代码。
- 打印结果： 打印 all_htmls 列表中 HTML 代码的数量。
- 关闭浏览器： 使用 driver.quit() 方法关闭浏览器，释放资源。
注意事项：
NITC效益型免费企业网站系统2.43
下载
操作系统概述效益型网站第一品牌，一切为了效益，感谢您使用效益型V1.0网站后台管理系统。窗口中的用户名和密码。当用户输入用户名和密码之后，用鼠标左键点击确定按钮即可进入系统。如果用户忘记密码，可点击这里找回进入找回密码页面，提交用户名和E-mail找回密码， E-mail必须是该系统内企业的E-mail。窗口为用户登录后的操作系统界面，界面框架主要由头部、左部、右部(主窗口)三部分组成。1. 头部
- 显式等待: 使用 WebDriverWait 和 expected_conditions 可以确保在元素加载完成后再进行操作，避免因元素未加载完成而导致的错误。 EC.element_to_be_clickable 用于等待元素可点击。
- 错误处理: 在 click_button_and_get_html 函数中使用 try...except 块捕获异常，可以防止程序因某个按钮点击失败而崩溃。
- 浏览器驱动: 确保已安装与你的浏览器版本匹配的 WebDriver，并将其添加到系统环境变量 PATH 中，或者在代码中指定 WebDriver 的路径。
- 页面跳转: 如果点击按钮会导致页面跳转到不同的 URL，需要在每次点击后使用 driver.back() 返回到原始页面，才能继续点击其他按钮。
- 元素定位: 如果按钮文本不唯一，可以考虑使用其他定位方式，例如 By.XPATH、By.CSS_SELECTOR 等。
处理页面跳转
如果点击按钮后页面会跳转到新的 URL，需要在获取 HTML 代码后返回到原始页面，才能继续点击其他按钮。
以下代码演示了如何处理页面跳转的情况：
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.firefox.options import Options
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
options = Options()
options.headless = True
driver = webdriver.Firefox(options=options)
driver.set_window_size(1920, 1080)
driver.get('https://blabla.bla')
all_htmls = []
def click_button_and_get_html(button_text):
try:
button = WebDriverWait(driver, 10).until(
EC.element_to_be_clickable((By.LINK_TEXT, button_text))
)
button.click()
# 获取点击后的 HTML 代码
html_code = driver.page_source
all_htmls.append(html_code)
print(f"Successfully clicked button '{button_text}' and captured HTML.")
# 返回到原始页面
driver.back()
# 重新加载原始页面，避免 stale element reference exception
driver.get('https://blabla.bla')
except Exception as e:
print(f"Error clicking button '{button_text}': {e}")
click_button_and_get_html("Banana")
click_button_and_get_html("Apple")
click_button_and_get_html("Orange")
print(f"Total HTMLs captured: {len(all_htmls)}")
driver.quit()代码解释：
- 在 click_button_and_get_html 函数中，点击按钮后，使用 driver.back() 方法返回到原始页面。
- 使用driver.get('https://blabla.bla')重新加载原始页面，避免stale element reference exception。
总结：
本文介绍了如何使用 Selenium 和 Python 抓取点击按钮后更新的 HTML 代码。 重点介绍了如何通过文本定位元素、使用显式等待确保元素加载完成，以及如何处理页面跳转的情况。 通过这些技巧，可以更有效地抓取动态网页的数据。记住要根据实际情况调整代码，例如修改元素定位方式、调整等待时间等。
