标签：打开 替代 htm bs4 获取网页 源码 获取 gecko logs
最近突然想到以前爬取百度学术上的参考文献，大家可以看一下以前我的写的博客：http://www.cnblogs.com/ybf-yyj/p/7351493.html，但是如果利用这个方法，太痛苦了，需要人工来复制粘贴，所以这里来介绍用selenium来实现这个功能，贴上代码：
#-*- coding:utf-8 -*- from selenium import webdriver import time from bs4 import BeautifulSoup #拼接url titlename=‘Application of biosorption for the removal of organic pollutants: a review‘ url_name=titlename.split(‘ ‘) url=‘http://xueshu.baidu.com/s?wd=‘+‘+‘.join(url_name) #打开Firefox diver=webdriver.Firefox() diver.get(url) #防止引用太多，不断click，直到参考文献下不存在‘加载更多’ try: for i in range(0,50): # 等待网站加载完成 time.sleep(0.2) diver.find_elements_by_class_name(‘request_situ‘)[1].click() except: print ‘********************************************************‘ #等到加载完成获取网页源码 time.sleep(10) #使用BeautifulSoup获取参考文献 soup=BeautifulSoup(diver.page_source,‘lxml‘) items=soup.find(‘div‘,{‘class‘:‘con_reference‘}).find_all(‘li‘) for i in items: print i.find(‘a‘).get_text() #关闭网页 diver.close()
注意：
代码中红色标注，本人因为这个错误，弄了半天
本人遇到一个问题，每次第一次爬取，click事件不响应，利用断点查看发现又可以了，后面就都可以了，这个我要不知道为什么会这样
chrome浏览器click事件也执行不了
如果大家不想看到浏览器出现，可以使用diver=webdriver.PhantomJS()替代diver=webdriver.Firefox()
以上的基础在于安装了PhantomJS、geckodriver.exe
python获取动态网站上面的动态加载的数据（selenium+Firefox）
标签：打开 替代 htm bs4 获取网页 源码 获取 gecko logs
原文地址：http://www.cnblogs.com/ybf-yyj/p/7710464.html
