如何获取网页及其框架的htmldom

Question

我想得到一个网站的DOM后js执行。 我还想在网站上获得iframes的所有内容，类似于我在googlechrome的Inspect元素特性。在

这是我的代码：

import sys
from PyQt4 import QtGui, QtCore, QtWebKit

class Sp():
  def save(self):
    print ("call")
    data = self.webView.page().currentFrame().documentElement().toInnerXml()
    print(data.encode('utf-8'))
    print ('finished')
  def main(self):
    self.webView = QtWebKit.QWebView()
    self.webView.load(QtCore.QUrl("http://www.w3schools.com/tags/tryit.asp?filename=tryhtml_iframe_scrolling"))
    QtCore.QObject.connect(self.webView,QtCore.SIGNAL("loadFinished(bool)"),self.save)

app = QtGui.QApplication(sys.argv)
s = Sp()
s.main()
sys.exit(app.exec_())

这给了我网站的html，但不是iframes中的html。有什么方法可以让我得到iframes的HTML吗。在

Answer 1

这是一个很难解决的问题。在

主要的困难是没有办法预先知道每页有多少帧。除此之外，每个子帧可能有自己的帧集，其数目也是未知的。理论上，可能有无限数量的嵌套框架，页面永远无法完成加载（对于有大量广告的网站来说，这似乎并不夸张）。在

总之，下面是脚本的一个版本，它在加载时获取每个帧的顶层QWebFrame对象，并显示如何访问您感兴趣的某些内容。正如你将从输出中看到的，有很多广告插入的“垃圾”帧，这样你就需要过滤掉。在

import sys, signal
from PyQt4 import QtGui, QtCore, QtWebKit

class Sp():
  def save(self, ok, frame=None):
    if frame is None:
        print ('main-frame')
        frame = self.webView.page().mainFrame()
    else:
        print('child-frame')
    print('URL: %s' % frame.baseUrl().toString())
    print('METADATA: %s' % frame.metaData())
    print('TAG: %s' % frame.documentElement().tagName())
    print()

  def handleFrameCreated(self, frame):
    frame.loadFinished.connect(lambda: self.save(True, frame=frame))

  def main(self):
    self.webView = QtWebKit.QWebView()
    self.webView.page().frameCreated.connect(self.handleFrameCreated)
    self.webView.page().mainFrame().loadFinished.connect(self.save)
    self.webView.load(QtCore.QUrl("http://www.w3schools.com/tags/tryit.asp?filename=tryhtml_iframe_scrolling"))

signal.signal(signal.SIGINT, signal.SIG_DFL)
print('Press Crtl+C to quit\n')
app = QtGui.QApplication(sys.argv)
s = Sp()
s.main()
sys.exit(app.exec_())

NB：连接到主框架的loadFinished信号，而不是web视图，这一点很重要。如果您连接到后者，如果页面包含多个框架，则将多次调用它。在