在 python 中使用 selenium 获取所有 href 链接

Question

我在 Python 中练习 Selenium，我想使用 ZC4238ZC55F06BB54076 获取 web 页面上的所有链接。

例如，我想要http://psychoticelites.com/上所有<a>标记的href=属性中的所有链接

我写了一个脚本，它正在工作。 但是，它给了我 object 地址。 我尝试使用id标签来获取值，但是它不起作用。

我当前的脚本：

from selenium import webdriver
from selenium.webdriver.common.keys import Keys


driver = webdriver.Firefox()
driver.get("http://psychoticelites.com/")

assert "Psychotic" in driver.title

continue_link = driver.find_element_by_tag_name('a')
elem = driver.find_elements_by_xpath("//*[@href]")
#x = str(continue_link)
#print(continue_link)
print(elem)

Answer 1

好吧，您必须简单地遍历列表：

elems = driver.find_elements_by_xpath("//a[@href]")
for elem in elems:
    print(elem.get_attribute("href"))

find_elements_by_*返回一个元素列表（注意“元素”的拼写）。 遍历列表，获取每个元素并从中获取所需的属性值（在本例中为href ）。

Answer 2

我已经检查并测试了您可以使用一个名为 find_elements_by_tag_name() 的函数。 这个例子对我来说很好。

elems = driver.find_elements_by_tag_name('a')
    for elem in elems:
        href = elem.get_attribute('href')
        if href is not None:
            print(href)

Answer 3

您可以尝试以下方法：

    links = driver.find_elements_by_partial_link_text('')

Answer 4

driver.get(URL)
time.sleep(7)
elems = driver.find_elements_by_xpath("//a[@href]")
for elem in elems:
    print(elem.get_attribute("href"))
driver.close()

注意：添加延迟非常重要。 首先在调试模式下运行它并确保您的 URL 页面正在加载。 如果页面加载缓慢，请增加延迟（睡眠时间）然后提取。

如果您仍然遇到任何问题，请参考以下链接（以示例说明）或评论

使用 selenium webdriver 从网页中提取链接

Answer 5

您可以在 python 中使用 html dom 库导入 HTML dom。 你可以在这里找到它并使用 PIP 安装它：

https://pypi.python.org/pypi/htmldom/2.0

from htmldom import htmldom
dom = htmldom.HtmlDom("https://www.github.com/")  
dom = dom.createDom()

上面的代码创建了一个 HtmlDom 对象。HtmlDom 有一个默认参数，即页面的 url。 创建 dom 对象后，您需要调用HtmlDom的“createDom”方法。 这将解析 html 数据并构造解析树，然后可用于搜索和操作 html 数据。 该库施加的唯一限制是数据无论是 html 还是 xml 都必须具有根元素。

您可以使用 HtmlDom 对象的“查找”方法查询元素：

p_links = dom.find("a")  
for link in p_links:
  print ("URL: " +link.attr("href"))

上面的代码将打印网页上存在的所有链接/网址

Answer 6

不幸的是，OP发布的原始链接已经死了......

如果您正在寻找一种在页面上抓取链接的方法，您可以使用gazpacho抓取此页面上的所有“热门网络问题”链接：

from gazpacho import Soup

url = "https://stackoverflow.com/q/34759787/3731467"

soup = Soup.get(url)
a_tags = soup.find("div", {"id": "hot-network-questions"}).find("a")

[a.attrs["href"] for a in a_tags]

Answer 7

您可以通过非常简单有效的方式使用 BeautifulSoup 来做到这一点。 我已经测试了下面的代码并且可以很好地用于相同的目的。

在这条线之后 -

driver.get("http://psychoticelites.com/")

使用下面的代码 -

response = requests.get(browser.current_url)
soup = BeautifulSoup(response.content, 'html.parser')
for link in soup.find_all('a'):
    if link.get('href'):
       print(link.get("href"))
       print('\n')

Answer 8

import requests
from selenium import webdriver
import bs4
driver = webdriver.Chrome(r'C:\chromedrivers\chromedriver') #enter the path
data=requests.request('get','https://google.co.in/') #any website
s=bs4.BeautifulSoup(data.text,'html.parser')
for link in s.findAll('a'):
    print(link)

Answer 9

现有解决帖子的更新：对于当前版本，它需要是：

elems = driver.find_elements_by_xpath("//a[@href]")
for elem in elems:
    print(elem.get_attribute("href"))

Answer 10

所有使用 Selenium 的driver.find_elements_by_***接受的答案都不再适用于 Selenium 4。当前的方法是使用find_elements()和By class。

方法一：for循环

下面的代码使用了 2 个列表。 一个用于By.XPATH ，另一个用于By.TAG_NAME 。 可以使用非此即彼。 两者都不需要。

By.XPATH IMO 是最简单的，因为它不会像By.TAG_NAME那样返回看似无用的None值。 该代码还删除了重复项。

from selenium.webdriver.common.by import By

driver.get("https://www.amazon.com/")

href_links = []
href_links2 = []

elems = driver.find_elements(by=By.XPATH, value="//a[@href]")
elems2 = driver.find_elements(by=By.TAG_NAME, value="a")

for elem in elems:
    l = elem.get_attribute("href")
    if l not in href_links:
        href_links.append(l)

for elem in elems2:
    l = elem.get_attribute("href")
    if (l not in href_links2) & (l is not None):
        href_links2.append(l)

print(len(href_links))  # 360
print(len(href_links2))  # 360

print(href_links == href_links2)  # True

方法二：列表理解

如果重复是可以的，可以使用一个线性列表理解。

from selenium.webdriver.common.by import By

driver.get("https://www.amazon.com/")

elems = driver.find_elements(by=By.XPATH, value="//a[@href]")
href_links = [e.get_attribute("href") for e in elems]

elems2 = driver.find_elements(by=By.TAG_NAME, value="a")
# href_links2 = [e.get_attribute("href") for e in elems2]  # Does not remove None values
href_links2 = [e.get_attribute("href") for e in elems2 if e.get_attribute("href") is not None]

print(len(href_links))  # 387
print(len(href_links2))  # 387

print(href_links == href_links2)  # True