Python+Selenium之摘取网页上全部邮箱

本文转载：http://blog.csdn.net/u011541946/article/details/68485981

练习场景：在某一个网页上有些字段是我们感兴趣的，我们希望摘取出来，进行其他操作。但是这些字段可能在一个网页的不同地方。例如，我们需要在关于百度页面-联系我们，摘取全部的邮箱。

思路拆分：

1. 首先，需要得到当前页面的source内容，就像，打开一个页面，右键-查看页面源代码。

2. 找出规律，通过正则表达式去摘取匹配的字段，存储到一个字典或者列表。

3. 循环打印字典或列表中内容，Python中用 for 语句实现。

技术角度实现相关方法：

1. 查看页面的源代码，在Selenium中有driver.page_source 这个方法得到

2. Python中利用正则，需要导入re模块

3. for email in emails :

print email

 # coding=utf-8

 from selenium import webdriver

 import re

 driver = webdriver.Chrome()

 driver.maximize_window()

 driver.implicitly_wait(6)

 driver.get("http://home.baidu.com/contact.html")

 # 得到页面源代码

 doc = driver.page_source

 emails = re.findall(r'[\w]+@[\w\.-]+',doc) # 利用正则，找出 [email protected] 的字段，保存到emails列表

 # 循环打印匹配的邮箱

 for email in emails:

     print (email)  

解释：

在python正则表达式语法中，Python中字符串前面加上 r 表示原生字符串，用\w表示匹配字母数字及下划线。re模块下findall方法返回的是一个匹配子字符串的列表。