python获取网页源代码（python获取当前网页的url）

本篇文章给大家谈谈python获取网页源代码，以及python获取当前网页的url对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、python爬虫怎么获取动态的网页源码
• 2、问题如图所示(用python，解答全过程)？
• 3、如何使用python或R抓取网页被隐藏的源代码
• 4、python如何获取网页源码中整个的内容？

python爬虫怎么获取动态的网页源码

一个月前实习导师布置任务说通过网络爬虫获取深圳市气象局发布的降雨数据，网页如下：

心想，爬虫不太难的，当年跟zjb爬煎蛋网无（mei）聊（zi）图的时候，多么清高。由于接受任务后的一个月考试加作业一大堆，导师也不催，自己也不急。

但是，导师等我一个月都得让我来写意味着这东西得有多难吧。。。今天打开一看的确是这样。网站是基于Ajax写的，数据动态获取，所以无法通过下载源代码然后解析获得。

从某不良少年写的抓取淘宝mm的例子中收到启发，对于这样的情况，一般可以同构自己搭建浏览器实现。phantomJs，CasperJS都是不错的选择。

导师的要求是获取过去一年内深圳每个区每个站点每小时的降雨量，执行该操作需要通过如上图中的历史查询实现，即通过一个时间来查询，而这个时间存放在一个hidden类型的input标签里，当然可以通过js语句将其改为text类型，然后执行send_keys之类的操作。然而，我失败了。时间可以修改设置，可是结果如下图。

为此，仅抓取实时数据。选取python的selenium，模拟搭建浏览器，模拟人为的点击等操作实现数据生成和获取。selenium的一大优点就是能获取网页渲染后的源代码，即执行操作后的源代码。普通的通过 url解析网页的方式只能获取给定的数据，不能实现与用户之间的交互。selenium通过获取渲染后的网页源码，并通过丰富的查找工具，个人认为最好用的就是find_element_by_xpath("xxx")，通过该方式查找到元素后可执行点击、输入等事件，进而向服务器发出请求，获取所需的数据。

[python] view plain copy

# coding=utf-8

from testString import *

from selenium import webdriver

import string

import os

from selenium.webdriver.common.keys import Keys

import time

import sys

default_encoding = 'utf-8'

if sys.getdefaultencoding() != default_encoding:

reload(sys)

sys.setdefaultencoding(default_encoding)

district_navs = ['nav2','nav1','nav3','nav4','nav5','nav6','nav7','nav8','nav9','nav10']

district_names = ['福田区','罗湖区','南山区','盐田区','宝安区','龙岗区','光明新区','坪山新区','龙华新区','大鹏新区']

flag = 1

while (flag  0):

driver = webdriver.Chrome()

driver.get("hianCe/")

# 选择降雨量

driver.find_element_by_xpath("//span[@id='fenqu_H24R']").click()

filename = time.strftime("%Y%m%d%H%M", time.localtime(time.time())) + '.txt'

#创建文件

output_file = open(filename, 'w')

# 选择行政区

for i in range(len(district_navs)):

driver.find_element_by_xpath("//div[@id='" + district_navs[i] + "']").click()

# print driver.page_source

timeElem = driver.find_element_by_id("time_shikuang")

#输出时间和站点名

output_file.write(timeElem.text + ',')

output_file.write(district_names[i] + ',')

elems = driver.find_elements_by_xpath("//span[@onmouseover='javscript:changeTextOver(this)']")

#输出每个站点的数据，格式为：站点名，一小时降雨量，当日累积降雨量

for elem in elems:

output_file.write(AMonitorRecord(elem.get_attribute("title")) + ',')

output_file.write('\n')

output_file.close()

driver.close()

time.sleep(3600)

文件中引用的文件testString只是修改输出格式，提取有效数据。

[python] view plain copy

#Encoding=utf-8

def OnlyCharNum(s, oth=''):

s2 = s.lower()

fomart = 'abcdefghijklmnopqrstuvwxyz0123456789,.'

for c in s2:

if not c in fomart:

s = s.replace(c, '')

return s

def AMonitorRecord(str):

str = str.split(":")

return str[0] + "," + OnlyCharNum(str[1])

一小时抓取一次数据，结果如下：

问题如图所示(用python，解答全过程)？

安装必要的库和工具：requests, BeautifulSoup4, lxml, openpyxl

python

Copy code

pip install requests beautifulsoup4 lxml openpyxl

发送 GET 请求，获取网页源代码

python

Copy code

import requests

url = ""

headers = {

"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.182 Safari/537.36"

}

response = requests.get(url, headers=headers)

html = response.text

使用 BeautifulSoup 解析网页源代码，提取所需字段

python

Copy code

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, "lxml")

items = soup.find_all("div", class_="item")

for item in items:

title = item.find("h2").text.strip()

url = item.find("a")["href"]

cover = item.find("img")["src"]

category = item.find("div", class_="categories").a.text.strip()

published_at = item.find("div", class_="published-at").text.strip()

# 将结果保存到 Excel 文件

使用 openpyxl 库将结果保存到 Excel 文件中

python

Copy code

from openpyxl import Workbook

workbook = Workbook()

sheet = workbook.active

sheet.title = "Scraped Data"

# 写入表头

sheet.append(["Title", "URL", "Cover", "Category", "Published At"])

# 写入数据

for item in items:

title = item.find("h2").text.strip()

url = item.find("a")["href"]

cover = item.find("img")["src"]

category = item.find("div", class_="categories").a.text.strip()

published_at = item.find("div", class_="published-at").text.strip()

row = [title, url, cover, category, published_at]

sheet.append(row)

# 保存 Excel 文件

workbook.save("scraped_data.xlsx")

以上就是一个简单的 Python 爬虫实现，可以将网页中的数据提取出来，存储到 Excel 文件中。需要注意的是，网站可能会有反爬虫机制，为了避免被封 IP，建议使用代理 IP、随机 User-Agent 等措施。

如何使用python或R抓取网页被隐藏的源代码

隐藏的源代码？不知道你指的是什么？我的理解有两种，一是不在前段显示，但是查看源代码时有，二是，异步加载的内容在前端和源代码中均看不到，第一种很容易解决，想必你指的时第二种，解决方法有三种：

模拟浏览器，动态获取，可以使用大杀器selenium工具

使用这种方法可以实现只要能看到就能抓取到，如鼠标滑过，异步加载等，因为他的行为可以与浏览器一模一样，但是这种方式的效率却是最低的，一般不到实在没有办法的时候不推荐使用。

执行js代码

在python中执行异步加载的js代码，获得一些诸如鼠标滑过，下拉加载更多等，但是现在的网站中都有非常多的js代码，要找到需要执行的目标js代码时非常困难和耗时的，此外python对js的兼容性也不是很好，也不推荐使用。

找到异步加载的json文件，最常用，最方便，最好用的方法，这是我平常抓取动态异步加载网站时最常用的方法，可以解决我99%的问题。具体的使用方法是打开浏览器的开发者工具，转到network选项，之后重新加载网页，在network中的列表中找到加载过程中加载的需要动态异步加载的json文件，以京东为例，如图，第一张找到的是异步加载的库存信息的json文件，第二招找到的是异步加载的评论信息的json文件：

具体更详细的方法可以google或百度

python如何获取网页源码中整个的内容？

一般是这样，用request库获取html内容，然后用正则表达式获取内容。比如：

import requests

from bs4 import BeautifulSoup

txt=requests.get("").text //抓取网页

a=BeautifulSoup(txt,'html.parser') //构建解析器

print(a.body) //获取内容，也可以是a.title或者其他的标记内容

python获取网页源代码的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于python获取当前网页的url、python获取网页源代码的信息别忘了在本站进行查找喔。