在那些没有 Wi-Fi 的罕见、可怕的时刻，我意识到我在电脑上做的事情有多少是我在互联网上做的。出于纯粹的习惯，我会发现自己试图查看电子邮件，阅读朋友的 Twitter 信息，或者回答这样一个问题：“柯特伍德·史密斯在出演 1987 年的原版《机械战警》之前有过什么重要角色吗？” [1]

由于计算机上的许多工作都涉及到上网，如果你的程序能上网就太好了。网络抓取是使用程序从网络上下载和处理内容的术语。例如，谷歌运行许多网络抓取程序，为其搜索引擎索引网页。在这一章中，你将学习几个模块，这些模块使得用 Python 抓取网页变得很容易。

webbrowserPython 自带，打开浏览器进入特定页面。

请求从互联网下载文件和网页。

bs4解析 HTML，网页编写的格式。

selenium启动并控制一个网络浏览器。selenium模块能够在这个浏览器中填写表格和模拟鼠标点击。

webbrowser模块的open()函数可以启动一个新的浏览器到指定的 URL。在交互式 Shell 中输入以下内容：

一个网页浏览器标签会打开到网址inventwithpython.com。这大概是webbrowser模块唯一能做的事情。即便如此，open()函数确实让一些有趣的事情成为可能。例如，将一个街道地址复制到剪贴板，然后在谷歌地图上显示它的地图，这是一件很乏味的事情。您可以通过编写一个简单的脚本来使用剪贴板的内容在浏览器中自动启动地图，从而完成此任务。这样，您只需将地址复制到剪贴板并运行脚本，地图就会为您加载。

*这就是你的程序要做的：

这意味着您的代码需要执行以下操作：

打开一个新的文件编辑器选项卡，并将其保存为mapIt.py。

根据附录 B 中的说明，设置mapIt.py，这样当你从命令行运行它时，就像这样...

...该脚本将使用命令行参数，而不是剪贴板。如果没有命令行参数，那么程序将知道使用剪贴板的内容。

首先你需要弄清楚给定的街道地址使用什么 URL。当你在浏览器中加载maps.google.com并搜索一个地址时，地址栏中的网址是这样的：www.google.com/maps/place/870+Valencia+St/@37.7590311,-122.4215096,17z/data=!3m1!4b1!4m2!3m1!1s0x808f7e3dadc07a37:0xc86b0b2bb93b73d8。

地址在 URL 中，但是也有很多额外的文本。网站通常会在 URL 中添加额外的数据，以帮助跟踪访问者或定制网站。但如果你尝试只去www.google.com/maps/place/870+Valencia+St+San+Francisco+CA，你会发现它仍然会调出正确的页面。所以你的程序可以设置打开一个 Web 浏览器到'https://www.google.com/maps/place/your_address_string'（其中your_address_string是你要映射的地址）。

让您的代码看起来像这样：

在程序的#! shebang 行之后，您需要导入用于启动浏览器的webbrowser模块和用于读取潜在命令行参数的sys模块。sys.argv变量存储了程序文件名和命令行参数的列表。如果这个列表不仅仅包含文件名，那么len(sys.argv)会计算出一个大于1的整数，这意味着命令行参数确实已经被提供了。

命令行参数通常由空格分隔，但在这种情况下，您希望将所有参数解释为单个字符串。由于sys.argv是一个字符串列表，您可以将它传递给join()方法，后者返回一个字符串值。您不希望程序名出现在这个字符串中，所以您应该传递sys.argv[1:]来砍掉数组的第一个元素，而不是sys.argv。该表达式计算的最终字符串存储在address变量中。

如果您在命令行中输入以下命令来运行程序...

...sys.argv变量将包含这个列表值：

address变量将包含字符串'870 Valencia St, San Francisco, CA 94110'。

使您的代码看起来像下面这样：

如果没有命令行参数，程序将假定地址存储在剪贴板上。可以用pyperclip.paste()获取剪贴板内容，并存储在一个名为address的变量中。最后，要启动带有谷歌地图 URL 的网络浏览器，请调用webbrowser.open()。

虽然您编写的一些程序会执行大量的任务来节省您的时间，但使用一个每次执行一个普通任务（如获取一个地址的地图）时都可以方便地节省您几秒钟的程序同样令人满意。表 12-1 比较了使用和不使用mapIt.py显示地图所需的步骤。

表 12-1： 使用和不使用mapIt.py来获取地图

手动获取地图：

使用mapIt.py：

看看mapIt.py如何让这项任务变得不那么乏味？

只要你有一个网址，webbrowser模块就能让用户省去打开浏览器的步骤，直接进入一个网站。其他程序可以使用此功能来完成以下任务：

requests模块让你轻松地从网上下载文件，而不必担心网络错误、连接问题和数据压缩等复杂问题。Python 没有提供requests模块，所以您必须先安装它。从命令行，运行 PIP 安装-用户请求。（附录 A 有关于如何安装第三方模块的更多细节。）

写requests模块是因为 Python 的urllib2模块太复杂，不好用。事实上，用记号笔把这一整段涂掉。忘记我曾经提到过urllib2。如果你需要从网上下载东西，只需使用requests模块。

接下来，做一个简单的测试来确保requests模块正确安装。在交互式 Shell 中输入以下内容：

如果没有显示错误信息，则requests模块已成功安装。

requests.get()函数接受一个 URL 字符串进行下载。通过对requests.get()的返回值调用type()，您可以看到它返回了一个Response对象，其中包含 Web 服务器对您的请求给出的响应。稍后我会更详细地解释Response对象，但是现在，当你的计算机连接到互联网时，在交互式 Shell 中输入以下内容：

这本书的网站 ➊ 提供了《罗密欧与朱丽叶》整部剧的文本网页。通过检查Response对象的status_code属性，可以看出对这个 Web 页面的请求成功了。如果它等于requests.codes.ok的值，那么一切顺利 ➋。（顺便说一下，HTTP 协议中“OK”的状态代码是 200。您可能已经熟悉“未找到”的 404 状态代码。）你可以在en.wikipedia.org/wiki/List_of_HTTP_status_codes找到 HTTP 状态码及其含义的完整列表。

如果请求成功，下载的网页将作为字符串存储在Response对象的text变量中。这个变量保存了整部剧的一大串；对len(res.text)的调用显示它超过了 178,000 个字符。最后，调用print(res.text[:250])只显示前 250 个字符。

如果请求失败并显示错误信息，如“未能建立新连接”或“超过最大重试次数”，请检查您的互联网连接。连接到服务器可能相当复杂，我不能在这里给出所有可能的问题。通过在 Web 上搜索带引号的错误消息，您可以找到错误的常见原因。

如您所见，Response对象有一个status_code属性，可以对照requests.codes.ok（一个具有整数值200的变量）来检查下载是否成功。检查成功的一个更简单的方法是在Response对象上调用raise_for_status()方法。如果下载文件时出现错误，这将引发一个异常，如果下载成功，将不会执行任何操作。在交互式 Shell 中输入以下内容：

方法raise_for_status()是一个很好的方法，可以确保当一个坏的下载发生时程序停止。这是一件好事：您希望程序在发生意外错误时立即停止。如果一个失败的下载不是对你的程序的一个交易破坏者，你可以用try和except语句包装raise_for_status()行来处理这个错误情况而不会崩溃。

此raise_for_status()方法调用导致程序输出以下内容：

总是在叫完requests.get()后再叫raise_for_status()。在您的程序继续运行之前，您需要确保下载确实有效。

在这里，您可以使用标准的open()函数和write()方法将网页保存到硬盘上的文件中。不过，还是有一些细微的差别。首先，您必须通过将字符串'wb'作为第二个参数传递给open()，在写二进制文件模式下打开文件。即使页面是纯文本（比如你之前下载的《罗密欧与朱丽叶》文本），为了维护文本的 Unicode 编码，你也需要写二进制数据而不是文本数据。

要将网页写到文件中，可以使用一个带有Response对象的iter_content()方法的for循环。

iter_content()方法通过循环在每次迭代中返回内容的“块”。每个块都是字节的数据类型，您可以指定每个块将包含多少字节。十万字节通常是一个合适的大小，所以将100000作为参数传递给iter_content()。

文件RomeoAndJuliet.txt现在将存在于当前工作目录中。请注意，虽然网站上的文件名是rj.txt，但你硬盘上的文件有不同的文件名。requests模块只是处理下载网页内容。一旦页面被下载，它就是你程序中的数据。即使你在下载完网页后失去了互联网连接，所有的网页数据仍然会在你的电脑上。

UNICODE 编码

Unicode 编码超出了本书的范围，但是您可以从以下网页了解更多信息：

write()方法返回写入文件的字节数。在前面的示例中，第一个块中有 100,000 个字节，文件的其余部分只需要 78,981 个字节。

回顾一下，下面是下载和保存文件的完整过程：

这就是requests模块的全部内容！与你一直用来编写文本文件的open() / write() / close()工作流相比，for循环和iter_content()的东西可能看起来复杂，但这是为了确保requests模块不会占用太多内存，即使你下载了大量文件。你可以从requests.readthedocs.org中了解requests模块的其他特性。

在你挑选网页之前，你将学习一些 HTML 的基础知识。您还将看到如何访问 Web 浏览器的强大开发工具，这将使从 Web 上抓取信息变得更加容易。

超文本标记语言（HTML） 是网页编写的格式。本章假设你对 HTML 有一些基本的经验，但是如果你需要一个初学者教程，我建议你去下面的网站：

如果你已经有一段时间没有看 HTML 了，这里有一个基础知识的快速概述。HTML 文件是带有html文件扩展名的纯文本文件。这些文件中的文本由标签包围，这些标签是用尖括号括起来的单词。标签告诉浏览器如何格式化网页。开始标签和结束标签可以包含一些文本，形成元素。文本（或内部 HTML ）是开始和结束标签之间的内容。比如下面的 HTML 会在浏览器中显示Hello, world，Hello加粗：

在浏览器中，这个 HTML 将看起来像图 12-1 。

图 12-1： 在浏览器中渲染的Hello, world!

开始的标签表示包含的文本将以粗体显示。结束标签告诉浏览器粗体文本的结束位置。

HTML 中有许多不同的标签。其中一些标签在尖括号内有额外的属性，形式为属性。例如，标签包含了应该是链接的文本。文本链接到的 URL 由href属性决定。这里有一个例子：

在浏览器中，这个 HTML 看起来像图 12-2 。

图 12-2：浏览器中渲染的链接

有些元素有一个id属性，用来惟一地标识页面中的元素。您经常会指示您的程序通过元素的id属性来寻找元素，因此使用浏览器的开发工具来计算元素的id属性是编写 Web 抓取程序的常见任务。

你需要查看你的程序将要使用的网页的 HTML 源代码。为此，在您的网络浏览器中右键单击（或CTRL并单击 MacOS）任何网页，并选择查看源或查看页面源以查看页面的 HTML 文本（参见图 12-3 ）。这是您的浏览器实际收到的文本。浏览器知道如何显示，或渲染来自这个 HTML 的网页。

图 12-3：查看网页来源

我强烈推荐你查看一些你喜欢的网站的 HTML 源码。如果你在看源的时候没有完全理解你所看到的东西，那也没什么。你不需要精通 HTML 来编写简单的网页抓取程序——毕竟，你不会写自己的网站。你只需要足够的知识来从现有的网站中挑选数据。

除了查看网页的源代码，您还可以使用浏览器的开发工具浏览网页的 HTML。在 Chrome 和 Internet Explorer 中，已经安装了开发者工具，你可以按F12让它们出现（见图 12-4 ）。再次按F12将使开发者工具消失。在 Chrome 中，你也可以通过选择视图 -> 开发者 -> 开发者工具来调出开发者工具。在 MacOS 中，按下Cmd+Option打开 Chrome 的开发者工具。

图 12-4：Chrome 浏览器中的开发者工具窗口

在 Firefox 中，你可以通过在 Windows 和 Linux 上按下CTRL-SHIFT-C或者在 MacOS 上按下Cmd-OPTION-C来打开 Web 开发者工具的拦截器。布局与 Chrome 的开发者工具几乎相同。

在 Safari 中，打开偏好设置窗口，并在高级窗格中选中菜单栏中的显示开发菜单选项。启用后，你可以通过按Cmd-OPTION-I调出开发者工具。

在浏览器中启用或安装开发工具后，您可以右键单击网页的任何部分，并从上下文菜单中选择检查元素以调出负责该部分页面的 HTML。当你开始为你的网页抓取程序解析 HTML 时，这将会很有帮助。

不要用正则表达式解析 HTML

在字符串中定位特定的 HTML 片段似乎是正则表达式的完美例子。然而，我建议你不要这样做。有许多不同的方法可以格式化 HTML，并且仍然被认为是有效的 HTML，但是试图在一个正则表达式中捕获所有这些可能的变化可能是乏味的并且容易出错。专门为解析 HTML 开发的模块，比如bs4 ，出现 BUG 的可能性会小一些。

你可以找到一个扩展的论点来解释为什么不应该在用正则表达式解析 HTML。

一旦你的程序使用requests模块下载了一个网页，你将拥有这个网页的 HTML 内容作为一个单独的字符串值。现在你需要弄清楚 HTML 的哪一部分对应于你感兴趣的网页上的信息。

这就是浏览器的开发者工具可以提供帮助的地方。比方说你要写一个程序从拉天气预报数据。在写任何代码之前，做一点研究。如果您访问该网站并搜索 94105 邮政编码，该网站会将您带到显示该地区天气预报的页面。

如果您对收集该邮政编码的天气信息感兴趣呢？右击页面上的位置（或在 MacOS 上点击Ctrl，并从出现的上下文菜单中选择检查元素。这将打开开发者工具窗口，向您显示生成 Web 页面这一特定部分的 HTML。图 12-5 显示了开发者工具对最近预测的 HTML 开放。注意，如果weather.gov网站改变了它的网页设计，你需要重复这个过程来检查新的元素。

图 12-5：用开发工具检查保存预测文本的元素

从开发者工具中可以看到，负责网页预测部分的 HTML 是Sunny, with a high near 64\. West wind 11 to 16 mph, with gusts as high as 21 mph.。这正是你要找的！看起来预测信息包含在带有forecast-text CSS 类的元素中。在浏览器的开发人员控制台中右键单击这个元素，并从出现的上下文菜单中选择复制 CSS 选择器。这将把一个字符串如'div.row-odd:nth-child(1) > div:nth-child(2)'复制到剪贴板。你可以将这个字符串用于 BeautifulSoup 的select()或 Selenium 的find_element_by_css_selector()方法，这将在本章后面解释。现在你知道你在找什么了，BeautifulSoup 模块会帮助你在字符串中找到它。

BeautifulSoup 是一个从 HTML 页面中提取信息的模块（在这方面比正则表达式好得多）。BeautifulSoup 模块的名字叫bs4（BeautifulSoup，第 4 版）。要安装它，您需要从命令行运行pip install --user beautifulsoup4。（查看附录 A 了解安装第三方模块的说明。）而beautifulsoup4是用于安装的名字，为了导入 BeautifulSoup 你运行import bs4。

对于这一章，BeautifulSoup 示例将会解析硬盘上的 HTML 文件。在 Mu 中打开一个新的文件编辑器页签，输入以下内容，保存为example.html。或者，从nostarch.com/automatestuff2下载。

Download my Python book from my website.

Learn Python the easy way!

By Al Sweigart

正如你所看到的，即使是一个简单的 HTML 文件也涉及到许多不同的标签和属性，并且很快会与复杂的网站混淆。令人欣慰的是，漂亮的汤让使用 HTML 变得容易多了。

需要用包含它将解析的 HTML 的字符串来调用bs4.BeautifulSoup()函数。bs4.BeautifulSoup()函数返回一个BeautifulSoup对象。当您的计算机连接到互联网时，在交互式 Shell 中输入以下内容：

这段代码使用requests.get()从无淀粉出版社网站下载主页面，然后将响应的text属性传递给bs4.BeautifulSoup()。它返回的BeautifulSoup对象存储在一个名为noStarchSoup的变量中。

您还可以从硬盘上加载一个 HTML 文件，方法是将一个File对象传递给bs4.BeautifulSoup()，同时传递第二个参数，告诉 BeautifulSoup 使用哪个解析器来分析 HTML。

在交互 Shell 中输入以下内容（确保example.html文件在工作目录中之后）:

这里使用的'html.parser'解析器是 Python 自带的。然而，如果你安装了第三方的lxml模块，你可以使用更快的'lxml'解析器。按照附录 A 中的说明，通过运行pip install --user lxml安装该模块。忘记包含第二个参数将导致一个UserWarning: No parser was explicitly specified警告。

一旦有了一个BeautifulSoup对象，就可以使用它的方法来定位 HTML 文档的特定部分。

您可以通过调用select()方法并为您正在寻找的元素传递 CSS 选择器的字符串来从BeautifulSoup对象中检索 Web 页面元素。选择器就像正则表达式：它们指定了要查找的模式——在本例中，是在 HTML 页面中，而不是在一般的文本字符串中。

对 CSS 选择器语法的全面讨论超出了本书的范围（在参考资料中有一个很好的选择器教程，在），但是这里有一个关于选择器的简短介绍。表 12-2 显示了最常见的 CSS 选择器模式的例子。

表 12-2：CSS 选择器示例

各种选择器模式可以组合起来进行复杂的匹配。例如，soup.select('p #author')将匹配任何具有author的id属性的元素，只要它也在

元素内。您也可以在浏览器中右键单击元素并选择检查元素，而不是自己编写选择器。当浏览器的开发人员控制台打开时，右键单击元素的 HTML 并选择复制 CSS 选择器将选择器字符串复制到剪贴板并粘贴到源代码中。

select()方法将返回一个Tag对象的列表，这就是 BeautifulSoup 如何表示一个 HTML 元素。对于BeautifulSoup对象的 HTML 中的每个匹配，该列表将包含一个Tag对象。标签值可以传递给str()函数来显示它们所代表的 HTML 标签。标签值还有一个attrs属性，它将标签的所有 HTML 属性显示为一个字典。使用前面的example.html文件，在交互式 Shell 中输入以下内容：

这段代码将从我们的示例 HTML 中提取带有id="author"的元素。我们使用select('#author')返回一个包含所有id="author"元素的列表。我们将这个标签对象的列表存储在变量elems中，len(elems)告诉我们列表中有一个标签对象；有一个匹配。在元素上调用getText()会返回元素的文本，或者内部 HTML。元素的文本是开始和结束标记之间的内容：在本例中是'Al Sweigart'。

将元素传递给str()会返回一个带有开始和结束标签以及元素文本的字符串。最后，attrs给出了一个字典，其中包含元素的属性'id'和属性id的值'author'。

您还可以从BeautifulSoup对象中拉出所有的

元素。在交互式 Shell 中输入以下内容：

Download my Python book from my website.

Learn Python the easy way!

By Al Sweigart

这一次，select()给出了三个匹配的列表，我们将它存储在pElems中。在pElems[0]、pElems[1]和pElems[2]上使用str()将每个元素显示为一个字符串，在每个元素上使用getText()将显示其文本。

Tag对象的get()方法使得从元素中访问属性值变得简单。向该方法传递一个属性名称字符串，并返回该属性的值。使用example.html，在交互 Shell 中输入以下内容：

这里我们使用select()来查找任何元素，然后将第一个匹配的元素存储在spanElem中。将属性名'id'传递给get()会返回属性的值'author'。

每当我在谷歌上搜索一个话题，我不会一次只看一个搜索结果。通过中击一个搜索结果链接（或者在按住CTRL的同时点击），我会在一堆新标签中打开前几个链接，以便稍后阅读。我经常搜索谷歌，这种工作流程——打开我的浏览器，搜索一个主题，然后一个接一个地点击几个链接——非常乏味。如果我能简单地在命令行中输入一个搜索词，让我的电脑自动打开一个浏览器，在新的标签页中显示所有热门搜索结果，那就太好了。让我们编写一个脚本，在pypi.org用 Python 包索引的搜索结果页面来做这件事。像这样的程序可以适用于许多其他网站，尽管谷歌和 DuckDuckGo 经常采取措施，使抓取他们的搜索结果页面变得困难。

这就是你的程序要做的：

这意味着您的代码需要执行以下操作：

打开一个新的文件编辑器选项卡，将其另存为searchpypi.py。

在编写任何代码之前，您首先需要知道搜索结果页面的 URL。通过搜索后查看浏览器的地址栏，可以看到结果页面有一个类似于pypi.org/search/?q=的网址。模块可以下载这个页面，然后你可以使用 BeautifulSoup 在 HTML 中找到搜索结果链接。最后，您将使用webbrowser模块在浏览器标签中打开这些链接。

使您的代码看起来像下面这样：

用户将在启动程序时使用命令行参数指定搜索词。这些参数将作为字符串存储在sys.argv的列表中。

现在你需要使用 BeautifulSoup 从你下载的 HTML 中提取排名靠前的搜索结果链接。但是你如何为这项工作找到合适的人选呢？例如，你不能只搜索所有的标签，因为在 HTML 中有很多你不关心的链接。相反，你必须用浏览器的开发工具检查搜索结果页面，试图找到一个选择器，只挑选出你想要的链接。

搜索完 BeautifulSoup 后，你可以打开浏览器的开发者工具，查看页面上的一些链接元素。它们看起来很复杂，就像这样的页面。

元素看起来非常复杂也没关系。你只需要找到所有搜索结果链接的模式。

使您的代码看起来像下面这样：

但是，如果您查看元素，搜索结果链接都有class="package-snippet"。浏览 HTML 源代码的其余部分，看起来package-snippet类只用于搜索结果链接。你不必知道 CSS 类package-snippet是什么或者它做什么。您只是将它用作您正在寻找的元素的标记。您可以从下载页面的 HTML 文本中创建一个BeautifulSoup对象，然后使用选择器'.package-snippet'来查找具有package-snippet CSS 类的元素中的所有元素。注意，如果 PyPI 网站改变了它的布局，您可能需要用一个新的 CSS 选择器字符串来更新这个程序，以传递给soup.select()。程序的其余部分仍将是最新的。

最后，我们将告诉程序为我们的结果打开 Web 浏览器选项卡。将以下内容添加到程序的末尾：

默认情况下，使用webbrowser模块在新标签中打开前五个搜索结果。然而，用户可能已经搜索了出现少于五个结果的东西。soup.select()调用返回与您的'.package-snippet'选择器匹配的所有元素的列表，因此您想要打开的标签数量要么是5要么是这个列表的长度（以较小者为准）。

内置 Python 函数min()返回传递给它的最小整数或浮点参数。（还有一个内置的max()函数，它返回传递给它的最大参数。）您可以使用min()来查找列表中的链接是否少于五个，并将要打开的链接数量存储在一个名为numOpen的变量中。然后你可以通过调用range(numOpen)来运行一个for循环。

在循环的每次迭代中，使用webbrowser.open()在 Web 浏览器中打开一个新标签。注意，返回的元素中的href属性的值没有初始的https://pypi.org部分，所以您必须将其连接到href属性的字符串值。

现在你可以通过在命令行上运行searchpypi boring stuff来立即打开前五个 PyPI 搜索结果，比如说无聊的东西！（参见附录 B 了解如何在您的操作系统上轻松运行程序。）

标签式浏览的好处是你可以很容易地在新标签中打开链接，以便以后阅读。一个同时自动打开几个链接的程序可能是执行以下操作的一个很好的快捷方式：

博客和其他定期更新的网站通常有一个首页，上面有最近的文章，还有一个上一页按钮，可以带你去上一篇文章。然后这个帖子还会有一个“上一页”按钮，以此类推，创建一个从最近的页面到站点上第一个帖子的轨迹。如果你想要一份网站内容的拷贝，以便在不在线时阅读，你可以手动浏览每一页并保存每一页。但是这是相当无聊的工作，所以让我们写一个程序来代替它。

XKCD 是一个流行的极客网络漫画，其网站符合这种结构（见图 12-6 ）。xkcd.com的首页有一个“上一页”按钮，引导用户回到之前的漫画。手动下载每部漫画可能要花很长时间，但是你可以写一个脚本在几分钟内完成。

图 12-6： XKCD，“浪漫、讽刺、数学和语言的网络漫画”

你的程序是这样做的：

这意味着您的代码需要执行以下操作：

打开一个新的文件编辑器标签，保存为downloadXkcd.py。

如果您打开浏览器的开发人员工具并检查页面上的元素，您会发现以下内容：

使您的代码看起来像下面这样：

您将拥有一个以值'https://xkcd.com'开始的url变量，并用当前页面的“上一页”链接的 URL 重复更新它（在一个for循环中）。在循环的每一步，你将在url下载漫画。当url以'#'结束时，你就知道结束循环了。

你将把图像文件下载到当前工作目录下名为xkcd的文件夹中。调用os.makedirs()确保这个文件夹存在，exist_ok=True关键字参数防止函数在这个文件夹已经存在的情况下抛出异常。剩下的代码只是概述程序其余部分的注释。

让我们实现下载页面的代码。使您的代码看起来像下面这样：

首先打印url，让用户知道程序要下载哪个 URL 然后使用requests模块的request.get()函数下载。和往常一样，如果下载出错，您会立即调用Response对象的raise_for_status()方法抛出异常并结束程序。否则，从下载页面的文本创建一个BeautifulSoup对象。

使您的代码看起来像下面这样：

通过使用您的开发工具检查 XKCD 主页，您知道漫画图像的元素在一个元素内，其id属性设置为comic，因此选择器'#comic img'将从BeautifulSoup对象中获取正确的元素。

一些 XKCD 页面有特殊的内容，不是简单的图像文件。那也行；你可以跳过这些。如果您的选择器没有找到任何元素，那么soup.select('#comic img')将返回一个空白列表。当发生这种情况时，程序可以打印一条错误信息，然后继续运行，而不下载图像。

否则，选择器将返回一个包含一个元素的列表。您可以从这个元素中获取src属性，并将其传递给requests.get()以下载漫画的图像文件。

使您的代码看起来像下面这样：

此时，漫画的图像文件存储在res变量中。您需要将这些图像数据写入硬盘上的文件中。

您需要一个本地图像文件的文件名来传递给open()。comicUrl将有一个类似于'https://imgs.xkcd.com/comics/heartbleed_explanation.png'的值——你可能已经注意到它看起来很像一个文件路径。事实上，你可以用comicUrl调用os.path.basename()，它将返回 URL 的最后一部分'heartbleed_explanation.png'。将图像保存到硬盘时，您可以使用此文件名。您使用os.path.join()将这个名称与您的xkcd文件夹的名称连接起来，这样您的程序在 Windows 上使用反斜杠（\），在 MacOS 和 Linux 上使用正斜杠（/）。现在你终于有了文件名，你可以调用open()在'wb'“写二进制”模式下打开一个新文件。

记住本章前面的内容，要保存你用requests下载的文件，你需要循环iter_content()方法的返回值。for循环中的代码将图像数据块（每个最多 100,000 字节）写到文件中，然后关闭文件。图像现在保存到您的硬盘上。

之后，选择器'a[rel="prev"]'识别出元素，其rel属性被设置为prev，您可以使用这个元素的href属性来获取前一个漫画的 URL，该 URL 被存储在url中。然后while循环再次开始这个漫画的整个下载过程。

该程序的输出将如下所示：

这个项目是一个很好的例子，它可以自动跟踪链接，从网上抓取大量数据。你可以在www.crummy.com/software/BeautifulSoup/bs4/doc从 BeautifulSoup 的文档中了解它的其他特色。

下载页面和跟随链接是许多网络爬行程序的基础。类似的程序还可以完成以下任务：

requests和bs4模块很棒，只要你能找出你需要传递给requests.get()的 URL。然而，有时这并不容易找到。或者您希望程序导航的网站要求您首先登录。selenium模块将赋予你的程序执行如此复杂任务的能力。

selenium模块让 Python 通过有计划地点击链接和填写登录信息来直接控制浏览器，就好像有一个人类用户在与页面交互一样。使用selenium，你可以用比requests和bs4高级得多的方式与网页互动；但是因为它启动了一个网络浏览器，如果你只是需要从网上下载一些文件，它就有点慢，很难在后台运行。

不过，如果你需要以某种方式与网页交互，比如说，依赖于更新页面的 JavaScript 代码，你将需要使用selenium而不是requests。这是因为亚马逊等主要电子商务网站几乎肯定有软件系统来识别他们怀疑是收集他们信息或注册多个免费账户的脚本的流量。过一段时间后，这些网站可能会拒绝为你提供页面，破坏你制作的任何脚本。selenium模块比requests更有可能在这些网站上长期运行。

向网站“告知”您正在使用脚本的一个主要信息是用户代理字符串，它标识 Web 浏览器并包含在所有 HTTP 请求中。例如，requests模块的用户代理字符串类似于'python-requests/2.21.0'。你可以访问一个网站如www.whatsmyua.info来查看你的用户代理字符串。使用selenium，你更有可能“冒充人类”，因为不仅 Selenium 的用户代理与普通浏览器（例如'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:65.0) Gecko/20100101 Firefox/65.0'）相同，而且它具有相同的流量模式：由selenium控制的浏览器会像普通浏览器一样下载图像、广告、Cookies 和侵犯隐私的跟踪器。然而，selenium仍然可以被网站检测到，各大票务和电子商务网站经常会屏蔽selenium控制的浏览器，以防止网页抓取其页面。

下面的例子将向你展示如何控制 Firefox 的网络浏览器。如果你还没有火狐，你可以从getfirefox.com免费下载。您可以通过从命令行终端运行pip install --user selenium来安装selenium。更多信息见附录 A 。

为selenium导入模块有点棘手。你需要运行from selenium import webdriver，而不是import selenium。（如此设置selenium模块的确切原因超出了本书的范围。）之后，你可以用selenium启动火狐浏览器。在交互式 Shell 中输入以下内容：

你会注意到当webdriver.Firefox()被调用时，Firefox 网络浏览器启动。对值webdriver.Firefox()调用type()表明它属于WebDriver数据类型。并且调用browser.get('https://inventwithpython.com')将浏览器定向到inventwithpython.com。你的浏览器应该看起来像图 12-7 。

图 12-7：在我们在 Mu 中调用webdriver.Firefox()和get()之后，出现了火狐浏览器。

如果您遇到错误消息“geckodriver可执行文件需要在PATH中”，那么你需要手动下载 Firefox 的webdriver，然后才能用selenium来控制。如果你安装了浏览器驱动程序，你也可以控制 Firefox 以外的浏览器。

对于火狐，去mozilla/geckodriver/releases](https://github.com/mozilla/geckodriver/releases)为你的操作系统下载壁虎驱动。（“Gecko”是 Firefox 中使用的浏览器引擎的名称。）例如，在 Windows 上，你会想要下载geckodriver-v0.24.0-win64.zip链接，而在 MacOS 上，你会想要geckodriver-v0.24.0-macos.tar.gz链接。新版本的链接会略有不同。下载的 ZIP 文件将包含一个geckodriver.exe（在 Windows 上）或geckodriver （在 MacOS 和 Linux 上）文件，您可以将它放在您的系统PATH上。[附录 B 有关于系统PATH的信息，或者你可以在stackoverflow.com/q/40208051/1893164了解更多。

对于 Chrome，进入sites.google.com/a/chromium.org并下载你的操作系统的 ZIP 文件。这个 ZIP 文件将包含一个chromedriver.exe（在 Windows 上）或chromedriver （在 MacOS 或 Linux 上）文件，你可以把它放到你的系统PATH上。

其他主要的网络浏览器也有可用的网络驱动程序，你可以在网上搜索“网络驱动程序”来找到它们。

如果在selenium的控制下打开新浏览器仍有问题，可能是因为当前版本的浏览器与selenium模块不兼容。一个解决方法是安装一个旧版本的网络浏览器——或者更简单地说，安装一个旧版本的selenium模块。你可以在pypi.org/project/selenium/#history找到selenium版本号列表。不幸的是，不同版本的selenium和浏览器之间的兼容性有时会中断，你可能需要在网上搜索可能的解决方案。附录 A 有更多关于运行 PIP 安装特定版本selenium的信息。（例如，您可能会运行pip install --user -U selenium==3.14.1。）

对象有很多方法来寻找页面上的元素。它们分为find_element_*和find_elements_*两种方法。find_element_*方法返回单个WebElement对象，表示页面上匹配查询的第一个元素。find_elements_*方法为页面上每个匹配元素返回一个WebElement_*对象列表。

表 12-3 显示了几个调用存储在变量browser中的WebDriver对象的find_element_*和find_elements_*方法的例子。

表 12-3： Selenium 的WebDriver查找元素的方法

除了*_by_tag_name()方法，所有方法的参数都区分大小写。如果页面上不存在与该方法所寻找的相匹配的元素，selenium模块会引发一个NoSuchElement异常。如果你不希望这个异常使你的程序崩溃，在你的代码中添加try和except语句。

一旦你有了WebElement对象，你可以通过读取属性或调用表 12-4 中的方法找到更多关于它的信息。

表 12-4：WebElement属性和方法

例如，打开一个新的文件编辑器选项卡并输入以下程序：

在这里，我们打开 Firefox 并将其定向到一个 URL。在这个页面上，我们试图找到类名为'bookcover'的元素，如果找到这样的元素，我们使用tag_name属性打印它的标签名。如果没有找到这样的元素，我们打印一条不同的消息。

该程序将输出以下内容：

我们找到了一个类名为'bookcover'标签名为'img'的元素。

从find_element_*和find_elements_*方法返回的对象有一个click()方法，模拟鼠标点击该元素。这个方法可以用来跟踪一个链接，在一个单选按钮上进行选择，单击一个提交按钮，或者触发鼠标单击元素时可能发生的任何事情。例如，在交互式 Shell 中输入以下内容：

这将打开 Firefox 到inventwithpython.com，获取带有文本Read Online for Free的元素的WebElement对象，然后模拟单击那个元素。就像你自己点击了链接一样；然后，浏览器会跟随该链接。

向网页上的文本字段发送击键就是找到该文本字段的或元素，然后调用send_keys()方法。例如，在交互式 Shell 中输入以下内容：

只要 MetaFilter 的登录页面在本书出版后没有更改用户名和密码文本字段的id，前面的代码就会用提供的文本填充这些文本字段。（您可以随时使用浏览器的检查器来验证id。）在任何元素上调用submit()方法都会产生与单击该元素所在表单的提交按钮相同的结果。（您可以简单地调用emailElem.submit()，代码也会做同样的事情。）

selenium模块有一个用于键盘按键的模块，这些按键不能输入字符串值，其功能很像转义字符。这些值存储在selenium.webdriver.common.keys模块的属性中。既然这是一个很长的模块名，那么在程序的顶部运行from selenium.webdriver.common.keys import Keys就容易多了；如果你这样做了，那么你可以简单地在任何你通常需要写selenium.webdriver.common.keys的地方写Keys。表 12-5 列出了常用的Keys变量。

表 12-5：selenium.webdriver.common.keys模块中的常用变量

例如，如果光标当前不在文本字段中，按下HOME和END键将分别将浏览器滚动到页面的顶部和底部。在交互式 Shell 中输入以下内容，注意send_keys()调用是如何滚动页面的：

标签是 HTML 文件中的基本标签：HTML 文件的全部内容都包含在标签和中。调用browser.find_element_by_tag_name('html')是向通用网页发送键的好地方。例如，如果当你滚动到页面底部时加载了新的内容，这将非常有用。

selenium模块也可以通过以下方法模拟点击各种浏览器按钮：

browser.back()点击返回按钮。

browser.forward()点击前进按钮。

browser.refresh()点击刷新/重新加载按钮。

browser.quit()点击关闭窗口按钮。

除了这里描述的函数之外，Selenium还可以做更多的事情。它可以修改你浏览器的 cookies，抓取网页截图，运行自定义 JavaScript。要了解这些特性的更多信息，您可以访问位于selenium-python.readthedocs.org的文档。

大多数无聊的任务并不局限于你电脑上的文件。能够以编程方式下载网页会将您的程序扩展到互联网。requests模块使下载变得简单，有了 HTML 概念和选择器的一些基本知识，您就可以利用BeautifulSoup模块来解析您下载的页面。

但是要完全自动化任何基于网络的任务，你需要通过selenium模块直接控制你的网络浏览器。selenium模块将允许您登录网站并自动填写表格。因为 Web 浏览器是通过互联网发送和接收信息的最常见方式，所以这是您的程序员工具箱中的一项重要功能。

为了练习，编写程序来完成以下任务。

编写一个程序，在命令行上获取一个电子邮件地址和文本字符串，然后使用selenium登录到您的电子邮件帐户，并向提供的地址发送一封字符串电子邮件。（您可能需要为此程序设置一个单独的电子邮件帐户。）

这是给你的程序添加通知功能的好方法。你也可以写一个类似的程序，从脸书或 Twitter 账户发送信息。

编写一个程序，它访问像 Flickr 或 Imgur 这样的照片共享网站，搜索一类照片，然后下载所有结果图像。你可以编写一个程序，可以在任何有搜索功能的图片网站上运行。

这是一个简单的游戏，你可以用箭头键向上、向下、向左或向右滑动来组合方块。通过一次又一次地以向上、向右、向下和向左的方式滑动，你实际上可以获得相当高的分数。编写一个程序，将在gabrielecirulli.github.io/2048打开游戏，并不断发送向上、向右、向下和向左击键，以自动玩游戏。

写一个程序，给定一个网页的 URL，将试图下载该网页上的每一个链接页面。该程序应该标记任何有“404 未找到”状态代码的页面，并将其作为断开的链接打印出来。