一是用微软提供的扩展库win32com来操作IE：
win32com可以获得类似js里面的document对象，但貌似是只读的（文档都没找到）。
二是用selenium的webdriver：
selenium则提供了Chrome，IE，FireFox等的支持，每种浏览器都有execute_script和find_element_by_xx方法，可以方便的执行js脚本（包括修改元素）和读取html里面的元素。不足是selenium只提供对python2.6和2.7的支持。
三是用python自带的HTMLParser解析：
HTMLParser则是需要自己写个类继承基类，重写解析元素的方法。
1.win32com
1 #将滚动条滑到底,最多滑动20000像素
2 #模拟键盘右键，查看多张图片
3 import sys
4 import win32com.client,win32api
5 import urllib.request
6 import time
7 import os
8 def main():
9 #获取参数
10 url=sys.argv[1]
11 #操作IE
12 ie=win32com.client.Dispatch("InternetExplorer.Application")
13 ie.Navigate(url)
14 ie.Visible=True
15 last_url=‘‘
16 dir_name=‘‘
17 while last_url!=url:
18 print(‘\nThe URL is:‘,url,‘\n‘)
19 while ie.ReadyState != 4:
20 time.sleep(1)
21 while ie.Document.readyState != "complete":
22 time.sleep(1)
23 #滑动滚动条
24 win=ie.Document.parentWindow
25 lastY=-1;
26 for i in range(40):
27 win.scrollTo(0,500*i)
28 nowY=win.pageYOffset
29 if(nowY==lastY):
30 break
31 lastY=nowY
32 time.sleep(0.4)
33 print(‘Document load state:‘,ie.Document.readyState)
34 doc=ie.Document
35 #第一次需要创建目录
36 if(dir_name==‘‘):
37 root_dir=‘E:\\img‘
38 dir_name=root_dir+‘\\‘+doc.title
39 dir_name=dir_name.replace(‘|‘,‘-‘)
40 if(os.path.exists(root_dir)!=True):
41 os.mkdir(root_dir)
42 if(os.path.exists(dir_name)!=True):
43 os.mkdir(dir_name)
44 all_image=doc.images
45 print(‘共有‘,all_image.length,‘张图片‘)
46 count=0;
47 for img in all_image:
48 if(img.id==‘b_img‘):
49 count=count+1
50 print(count,img.src)
51 time.sleep(1)
52 img_file=urllib.request.urlopen(img.src)
53 byte=img_file.read()
54 print(count,‘donwload complete!‘,‘-‘*10,‘size:‘,‘{:.3}‘.format(byte.__len__()/1024),‘KB‘)
55 if(byte.__len__()>7000):
56 file_name=img.src.replace(‘/‘,‘_‘)
57 file_name=file_name.replace(‘:‘,‘_‘)
58 end=file_name.__len__()
59 if(file_name.rfind(‘!‘)!=-1):
60 end=file_name.rfind(‘!‘)
61 if(file_name.rfind(‘?‘)!=-1):
62 end=file_name.rfind(‘?‘)
63 file_name=file_name[:end]
64 write_file=open(dir_name+‘\\‘+file_name,‘wb‘)
65 write_file.write(byte)
66 write_file.close()
67 print(count,file_name,‘complete!‘)
68 #下一张
69 last_url=url
70 win32api.keybd_event(39,0)
71 time.sleep(1)
72 url=ie.Document.url
73 print(last_url,url)
74 #ie.Quit()
75 if __name__ == ‘__main__‘:
76 main()
2.selenium
1 # -*- coding: cp936 -*-
2 import sys
3 import urllib
4 import time
5 import os
6 from selenium import webdriver
7 def main():
8 #获取参数
9 url=sys.argv[1]
10 #操作IE
11 driver=webdriver.Chrome()
12 driver.get(url)
13 driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
14 #创建目录
15 dir_name=driver.find_element_by_tag_name(‘title‘).text
16 print dir_name
17 root_dir=‘E:\\img‘
18 dir_name=root_dir+‘\\‘+dir_name
19 dir_name=dir_name.replace(‘|‘,‘-‘)
20 if(os.path.exists(root_dir)!=True):
21 os.mkdir(root_dir)
22 if(os.path.exists(dir_name)!=True):
23 os.mkdir(dir_name)
24 images=driver.find_elements_by_tag_name(‘img‘)
25 count=0
26 for image in images:
27 count=count+1
28 image_url=str(image.get_attribute(‘src‘))
29 img_file=urllib.urlopen(image_url)
30 byte=img_file.read()
31 print count,‘donwload complete!‘,‘-‘*10,‘size:‘,byte.__len__()/1024,‘KB‘
32 if(byte.__len__()>7000):
33 file_name=image_url.replace(‘/‘,‘_‘)
34 file_name=file_name.replace(‘:‘,‘_‘)
35 end=file_name.__len__()
36 if(file_name.rfind(‘!‘)!=-1):
37 end=file_name.rfind(‘!‘)
38 if(file_name.rfind(‘?‘)!=-1):
39 end=file_name.rfind(‘?‘)
40 file_name=file_name[:end]
41 write_file=open(dir_name+‘\\‘+file_name,‘wb‘)
42 write_file.write(byte)
43 write_file.close()
44 print count,file_name,‘complete!‘
45 driver.quit()
46 if __name__ == ‘__main__‘:
47 main()
3.HTMLParser:
1 # import modules used here -- sys is a very standard one 2 import sys 3 import urllib.request 4 # Gather our code in a main() function 5 from html.parser import HTMLParser 6 class MyHTMLParser(HTMLParser): 7 def handle_starttag(self,tag,attrs): 8 if(tag==‘img‘): 9 for attr in attrs: 10 if(attr[0]==‘src‘): 11 img_file=urllib.request.urlopen(attr[1]) 12 byte=img_file.read() 13 #文件大于1000b则生成文件,添加计数，下载多少图片，显示html代码 14 if(byte.__len__()>1000): 15 file_name=attr[1].replace(‘/‘,‘_‘) 16 file_name=file_name.replace(‘:‘,‘_‘) 17 end=file_name.__len__() 18 if(file_name.rfind(‘!‘)!=-1): 19 end=file_name.rfind(‘!‘) 20 if(file_name.rfind(‘?‘)!=-1): 21 end=file_name.rfind(‘?‘) 22 file_name=file_name[:end] 23 ## print(file_name) 24 write_file=open(‘E:\\img\\‘+file_name,‘wb‘) 25 write_file.write(byte) 26 write_file.close() 27 def main(): 28 #获取参数 29 url=sys.argv[1] 30 print(‘\nThe URL is:‘,url,‘\n‘) 31 #读取url所指向的资源 32 html_file=urllib.request.urlopen(url) 33 byte_content=html_file.read() 34 #将html网页保存起来 35 url_file=open(‘E:\\img\\html\\result.htm‘,‘wb‘) 36 url_file.write(byte_content) 37 url_file.close() 38 #从字节转换为字符串 39 s=str(byte_content, encoding = "utf-8") 40 #print(s) 41 #bytes.decode(html_file.read()) 42 parser=MyHTMLParser(strict=False) 43 parser.feed(s) 44 # Standard boilerplate to call the main() function to begin 45 # the program. 46 if __name__ == ‘__main__‘: 47 main()
时间： 2024-10-14 00:02:11