需求：单纯的将page.source写入文件的方式，会导致一些图片无法显示，对于google浏览器，直接将页面打包下载成一个mhtml格式的文件，则可以进行离线下载。对应python selenium 微信公众号历史文章随手一点就返回首页？郁闷之下只好将他们都下载下来。：http://www.zzvips.com/article/93516.html
遇到的问题：
1、单纯使用webdriver.ActionChains无法完成下载动作，未能操作windows窗口。
2、没有找到相关能直接下载.mhtml的命名接口。
3、pywin32置顶窗口的使用不顺利。
解决思路：
1、使用selnium打开浏览器，不要操作，让其保持置顶
2、使用pyautogui、pyperclip操作键盘、鼠标、剪切板进行下载文件。
准备材料：
需要将自动化操作的一些图片截取下来，以作为后期图片匹配使用。
实现：
1、打开爬取好的链接，遍历所有需要下载的页面
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# 读取文件
filename = r'data/01 爬取微信公众号历史文章/urls 二律背反的一灯如豆-out.xlsx'
df = pd.read_excel(filename,dtype=object)
df = df.reindex(columns=['日期', '标题', '原创', '地址','完成情况','储存地址'])
#df = df.head(5)
dfsel = (df['标题'] !='随文') & (df['完成情况'] != 1)
save_folder = r"I:\code\python\data\01 爬取微信公众号历史文章\01 二律背反的一灯如豆" + "\\"
# 设置保存格式为 mhtml，减少要操作文件保存下拉框的情况
options = webdriver.ChromeOptions()
options.add_argument('--save-page-as-mhtml')
# 启动浏览器
driver = webdriver.Chrome(options=options)
wait = WebDriverWait(driver,10)
df.loc[dfsel,"完成情况"],df.loc[dfsel,"储存地址"] = zip(*df[dfsel].apply(download_mhtml_with_not_check, axis=1,args=(driver,wait)))
|
2、编写相关下载页面函数
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# 在timeout秒内，返回中心值,间隔时长time_setp
# 封装一个pyautogui限时查找函数
#
def finde_gui_element(png,timeout = 5,time_setp=0.2):
i = 1
if timeout <=0 : timeout = 5
if time_setp <=0 : time_setp = 0.2
while True:
if i > timeout/time_setp: return None
center = pyautogui.locateCenterOnScreen(png,grayscale=False,confidence=0.9)
if center == None:
time.sleep(0.2)
else:
return center
i = i + 1
|
主要自动化操作代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
def download_mhtml_with_not_check(x,driver,wait):
name = ''
try:
url = str(x['地址'])
driver.get(url)
# 获取浏览器标题，用于检测是否是置顶页
wait.until(EC.presence_of_element_located((By.XPATH,'//h2[@id="activity-name"]')))
title = driver.find_element_by_xpath('//h2[@id="activity-name"]').text
print('no:',x.name,'url:',url,'title:',title)
wait.until(EC.presence_of_element_located((By.XPATH,'//div[@id="page-content"]')))
#进入下载
pyautogui.hotkey('ctrl', 's')
# 等待一下对话框弹出
time.sleep(1)
bt = finde_gui_element(r'data\png\save.png') #查找保存按键
if bt == None:
return (0,'')
else:
# 根据标题组合成具体路径
name = save_folder + ' ' + title + '.mhtml'
#print(name)
pyperclip.copy(name)
pyautogui.hotkey('ctrl', 'v')
time.sleep(0.1)
pyautogui.hotkey('Enter')
# 检查是否弹出另存为
bt = finde_gui_element(r'data\png\confirmsaveas.png',timeout=0.5)
if bt != None:
# 说明出现重复明明，点击覆盖
pyautogui.hotkey('Tab')
pyautogui.hotkey('Enter')
return (1,name)
bt = finde_gui_element(r'data\png\cancle.png',timeout=0.5)
if bt != None:
#还爱，说明出现了一些异常
pyautogui.hotkey('esc')
pyautogui.hotkey('esc')
pyautogui.leftClick(bt)
return (-1,name)
# 加多一个esc防止出现窗口还在
pyautogui.hotkey('esc')
except Exception as e:
print(str(e))
return (-2,name)
return (1,name)
|
最后写入excel：
通过vba代码，将单元格地址添加上超链接：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
Option Explicit
Sub add_hype()
Dim ws As Worksheet, arr As Variant, i As Long
Set ws = ThisWorkbook.Worksheets(1)
arr = ws.UsedRange.Value
ws.Cells.Hyperlinks.Delete
For i = 2 To UBound(arr)
If CStr(arr(i, 2)) = "随文" Then
Else
If CStr(arr(i, 5)) = "1" Then
ws.Hyperlinks.Add Anchor:=ws.Cells(i, 6), Address:=CStr(arr(i, 6))
End If
End If
Next i
End Sub
|
完成。
不足之处：
1、通过autogui操作，难免会遇到弹窗的情况，需要增加活动窗体置顶，但是一直没有找到有效的方法。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://www.cnblogs.com/cycxtz/p/13419578.html