爬页面源码

有时候通过元素的属性的查找页面上的某个元素，可能不太好找，这时候可以从源码中爬出想要的信息。selenium 的 page_source 方法可以获取到页面源码。

一、page_source

1.selenium 的 page_source 方法可以直接返回页面源码
2.重新赋值后打印出来

二、 re 非贪婪模式

1.这里需导入 re 模块
2.用 re 的正则匹配：非贪婪模式
3.findall 方法返回的是一个 list 集合
4.匹配出来之后发现有一些不是 url 链接，可以删选下

三、删选 url 地址出来

1.加个 if 语句判断，‘http’在 url 里面说明是正常的 url 地址了
2.把所有的 url 地址放到一个集合，就是我们想要的结果啦

案例源码：

# coding:utf-8
from selenium import webdriver
import re
driver = webdriver.Firefox()
driver.get("http://www.cnblogs.com/yoyoketang/")
page = driver.page_source
# print page
# "非贪婪匹配,re.S('.'匹配字符,包括换行符)"
url_list = re.findall('href="(.*?)"', page, re.S)
url_all = []
for url in url_list:
    if "http" in url:
        print url
        url_all.append(url)
# 最终的 url 集合
print url_all