6

splinter 0.7.3Linux プラットフォームでモジュールを使用python 2.7.2して、デフォルトの Firefox ブラウザを使用して Web サイトのディレクトリ リストをスクレイピングしています。

これは、html の [次へ] リンクをクリックして、ページ分割された Web リストを反復処理するコードのスニペットです。

    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

次のような出力が表示されるので、リンクが機能していることがわかります。

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: []

HTMLを使用して各ページに保存するf.write(browser.html.encode('utf-8'))と、最初のページで正常に機能します。後続のページでは、Firefox でレンダリングされたページを見ることができますが、html/regiser_...htmlファイルが空であるか、body タグが次のように欠落しています。

<!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>

これは splinter から html を保存する既知の機能ですか? それを行うより良い方法はありますか？

4

1 に答える 1

3

これは本当にタイミングの問題のようです。ページが完全にロードされていないときにページ ソースを取得しています。この問題に対処するには、いくつかの方法があります。

  • body が存在するのを待ちます:

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

  • ページ読み込みタイムアウトを増やします- オブジェクトを初期化した直後にこれを置きbrowserます:

    browser.driver.set_page_load_timeout(10)  # 10 seconds
于 2016-01-01T06:04:47.647 に答える