斯普林特救脱体html

Question

我在 Linux 平台上使用 python 2.7.2 中的 splinter 0.7.3 模块来抓取使用默认 Firefox 浏览器的网站上的目录列表。

这是通过单击 html 中的 'Next' link 遍历分页 Web 列表的代码片段。

    links = True
    i = 0
    while links:
        with open('html/register_%03d.html' % i, 'w') as f:
            f.write(browser.html.encode('utf-8'))
        links = browser.find_link_by_text('Next')
        print 'links:', links
        if links:
            links[0].click()
        i += 1

我知道 link 正在工作，因为我看到的输出如下所示：

links: [<splinter.driver.webdriver.WebDriverElement object at 0x2e6da10>, <splinter.driver.webdriver.WebDriverElement object at 0x2e6d710>]
links: [<splinter.driver.webdriver.WebDriverElement object at 0x2e6d5d0>, <splinter.driver.webdriver.WebDriverElement object at 0x2e6d950>]
links: [<splinter.driver.webdriver.WebDriverElement object at 0x2e6d710>, <splinter.driver.webdriver.WebDriverElement object at 0x2e6dcd0>]
links: []

当使用 f.write(browser.html.encode('utf-8')) 在每一页保存 html 时，第一页工作正常。在后续页面上，虽然我可以看到在 Firefox 中呈现的页面，但 html/regiser_...html 文件为空或缺少 body 标记，如下所示：

<!DOCTYPE html>
<!--[if lt IE 7]>      <html prefix="og: http://ogp.me/ns#" class="no-js lt-ie9 lt-ie8 lt-ie7"  lang="en-gb"> <![endif]-->
<!--[if IE 7]>         <html prefix="og: http://ogp.me/ns#" class="no-js lt-ie9 lt-ie8"  lang="en-gb"> <![endif]-->
<!--[if IE 8]>         <html prefix="og: http://ogp.me/ns#" class="no-js lt-ie9"  lang="en-gb"> <![endif]-->
<!--[if gt IE 8]><!-->
<html xmlns="http://www.w3.org/1999/xhtml" lang="en-gb" class="no-js" prefix="og: http://ogp.me/ns#"><!--<![endif]--><head>
        <meta content="IE=edge,chrome=1" http-equiv="X-UA-Compatible" />    
    ...
  </style>
  <script src="/media/com_magebridge/js/frototype.min.js" type="text/javascript"></script></head></html>

这是从 splinter 中保存 html 的已知功能吗？有更好的方法吗？

Answer 1

这看起来确实像是一个时间问题 - 您在页面未完全加载时获取页面源代码。有几种方法可以解决这个问题：

等待body to be present:

browser.is_element_present_by_tag("body", wait_time=5)

增加 page load timeout - 在你初始化 browser 对象后把这个放在右边：
```
browser.driver.set_page_load_timeout(10)  # 10 seconds
```

斯普林特救脱体html

Splinter saves bodiless html

python

screen-scraping

splinter