python - 可靠地检测页面加载或超时，Selenium 2

Question

我正在使用 Selenium 2（2.33 版 Python 绑定，Firefox 驱动程序）编写一个通用的网络爬虫。它应该采用任意URL，加载页面并报告所有出站链接。因为 URL 是任意的，所以我无法对页面的内容做出任何假设，因此通常的建议（等待特定元素出现）是不适用的。

我有应该轮询的代码，document.readyState直到它达到“完成”或 30 秒超时已经过去，然后继续：

def readystate_complete(d):
    # AFAICT Selenium offers no better way to wait for the document to be loaded,
    # if one is in ignorance of its contents.
    return d.execute_script("return document.readyState") == "complete"

def load_page(driver, url):
    try:
        driver.get(url)
        WebDriverWait(driver, 30).until(readystate_complete)
    except WebDriverException:
        pass

    links = []
    try:
        for elt in driver.find_elements_by_xpath("//a[@href]"):
            try: links.append(elt.get_attribute("href"))
            except WebDriverException: pass
    except WebDriverException: pass
    return links

这种工作，但在大约五分之一的页面上，.until电话永远挂起。发生这种情况时，通常浏览器实际上还没有完成页面加载（“颤动”仍在旋转），但可能会经过数十分钟并且不会触发超时。但有时页面确实似乎已完全加载并且脚本仍然没有继续。

是什么赋予了？如何使超时可靠地工作？有没有更好的方法来请求等待页面加载（如果不能对内容做出任何假设）？

注意：强迫性的捕捉和忽略WebDriverException已被证明是必要的，以确保它从页面中提取尽可能多的链接，无论页面内的 JavaScript 是否正在使用 DOM 做有趣的事情（例如，我曾经得到“陈旧的元素" 提取 HREF 属性的循环中的错误）。

注意：在这个网站和其他地方都有很多关于这个问题的变化，但他们都有一个微妙但关键的区别，这使得答案（如果有的话）对我来说毫无用处，或者我已经尝试了这些建议和他们不工作。 请准确回答我提出的问题。

score 5 · Accepted Answer

我有类似的情况，因为我使用 Selenium 为一个相当知名的网站服务编写了屏幕截图系统，并且遇到了同样的困境：我对正在加载的页面一无所知。

在与一些 Selenium 开发人员交谈后，答案是各种 WebDriver 实现（例如 Firefox 驱动程序与 IEDriver）对何时考虑加载页面或不考虑 WebDriver 返回控制权做出不同的选择。

如果您深入研究 Selenium 代码，您可以找到尝试做出最佳选择的点，但是由于有许多事情可能导致正在查找的状态失败，例如多个帧中一个未完成的帧及时，有司机明明就是不回的情况。

有人告诉我，“这是一个开源项目”，它可能不会/无法针对所有可能的情况进行纠正，但我可以在适用的情况下进行修复并提交补丁。

从长远来看，这对我来说有点多，所以和你一样，我创建了自己的超时过程。由于我使用 Java，我创建了一个新线程，在达到超时时，它会尝试做几件事来让 WebDriver 返回，即使有时只是按下某些键来让浏览器响应也有效。如果它没有返回，那么我会终止浏览器并再次尝试。

再次启动驱动程序已经为我们处理了大多数情况，好像浏览器的第二次加载允许它处于更稳定的状态（请注意，我们是从 VM 启动的，并且浏览器不断想要检查更新并运行某些例程它最近没有推出）。

另一部分是我们首先启动一个已知的 url 并确认浏览器的某些方面，并且我们实际上能够在继续之前与它进行交互。通过这些步骤，失败率非常低，大约 3%，在所有浏览器/版本/操作系统（FF、IE、CHROME、Safari、Opera、iOS、Android 等）上进行了 1000 次测试

最后但同样重要的是，对于您的情况，听起来您只需要捕获页面上的链接，而不需要完全的浏览器自动化。我可能会采取其他方法，即 cURL 和 linux 工具。

score 4 · Accepted Answer

“推荐”（但仍然很难看）解决方案可能是使用显式等待：

from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait 
from selenium.webdriver.support import expected_conditions

old_value = browser.find_element_by_id('thing-on-old-page').text
browser.find_element_by_link_text('my link').click()
WebDriverWait(browser, 3).until(
    expected_conditions.text_to_be_present_in_element(
        (By.ID, 'thing-on-new-page'),
        'expected new text'
    )
)

天真的尝试是这样的：

def wait_for(condition_function):
    start_time = time.time()
    while time.time() < start_time + 3:
        if condition_function():
            return True
        else:
            time.sleep(0.1)
    raise Exception(
        'Timeout waiting for {}'.format(condition_function.__name__)
    )


def click_through_to_new_page(link_text):
    browser.find_element_by_link_text('my link').click()

    def page_has_loaded():
        page_state = browser.execute_script(
            'return document.readyState;'
        ) 
        return page_state == 'complete'

    wait_for(page_has_loaded)

另一个更好的是（感谢@ThomasMarks）：

def click_through_to_new_page(link_text):
    link = browser.find_element_by_link_text('my link')
    link.click()

    def link_has_gone_stale():
        try:
            # poll the link with an arbitrary call
            link.find_elements_by_id('doesnt-matter') 
            return False
        except StaleElementReferenceException:
            return True

    wait_for(link_has_gone_stale)

最后一个示例包括如下比较页面 id（这可能是防弹的）：

class wait_for_page_load(object):

    def __init__(self, browser):
        self.browser = browser

    def __enter__(self):
        self.old_page = self.browser.find_element_by_tag_name('html')

    def page_has_loaded(self):
        new_page = self.browser.find_element_by_tag_name('html')
        return new_page.id != self.old_page.id

    def __exit__(self, *_):
        wait_for(self.page_has_loaded)

现在我们可以这样做：

with wait_for_page_load(browser):
    browser.find_element_by_link_text('my link').click()

以上代码示例来自Harry 的博客。

score 2 · Accepted Answer

据我所知，您readystate_complete没有做任何事情，因为 driver.get() 已经在检查这种情况。无论如何，我已经看到它在很多情况下都不起作用。您可以尝试的一件事是通过代理路由您的流量，并将其用于 ping 任何网络流量。即browsermob有 wait_for_traffic_to_stop 方法：

def wait_for_traffic_to_stop(self, quiet_period, timeout):
"""
Waits for the network to be quiet
:Args:
- quiet_period - number of seconds the network needs to be quiet for
- timeout - max number of seconds to wait
"""
    r = requests.put('%s/proxy/%s/wait' % (self.host, self.port),
        {'quietPeriodInMs': quiet_period, 'timeoutInMs': timeout})
    return r.status_code

score 0 · Accepted Answer

如果页面仍在无限期加载，我猜 readyState 永远不会达到“完成”。如果您使用的是 Firefox，您可以通过调用强制页面加载停止window.stop()：

try:
    driver.get(url)
    WebDriverWait(driver, 30).until(readystate_complete)
except TimeoutException:
    d.execute_script("window.stop();")

score 0 · Accepted Answer

Here is solution proposed by Tommy Beadle (by using staleness approach):

import contextlib
from selenium.webdriver import Remote
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support.expected_conditions import staleness_of

class MyRemote(Remote):
    @contextlib.contextmanager
    def wait_for_page_load(self, timeout=30):
        old_page = self.find_element_by_tag_name('html')
        yield
        WebDriverWait(self, timeout).until(staleness_of(old_page))

python - 可靠地检测页面加载或超时，Selenium 2

5 回答 5

Related

Reference