1
我正在构建一个web刮板,并且需要获取它实际出现在页面上的html页面源。但是,我只能获得有限的html源代码,其中不包含所需的信息。我认为我要么看到它的JavaScript加载否则可能我没有得到完整的信息,因为我没有正确的认证?我的结果与Chrome浏览器中的“查看源代码”相同,当我想要的是Chrome的“检查元素”显示的内容时。输入航班信息和搜索后,我的测试是cimber.dk。获取HTML源代码,包括javascript和身份验证的结果
我在python中编码,并尝试urllib2库。然后我听说硒对此很好,所以我也尝试过。但是,这也让我获得了相同的有限页面源。
这是我使用Firebug查看参数后用urllib2试过的。 (我打开cimber.dk后删除了所有的cookies,因此我开始使用“clean slate”)
url = 'https://www.cimber.dk/booking/'
values = {'ARRANGE_BY' : 'D',...} #one for each value
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor())
#Using HTTPRedirectHandler instead of HTTPCookieProcessor gives the same.
urllib2.install_opener(opener)
request = urllib2.Request(url)
opener.addheaders = [('User-Agent', 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:2.0) Gecko/20100101 Firefox/4.0')]
request.add_header(....) # one for each header, also the cookie one
p = urllib.urlencode(values)
data = opener.open(request, p).read()
# data is now the limited source, like Chrome View Source
#I tried to add the following in some vain attempt to do a redirect.
#The result is always "HTTP Error 400: Bad request"
f = opener.open('https://wftc2.e-travel.com/plnext/cimber/Override.action')
data = f.read()
f.close()