Python网页滚动截图：滚动距离不准致重复/漏截问题求助

问题背景 #

用Python编写程序，打开指定链接后滚动页面截图用于后续OCR识别。目前程序可完成页面打开、截图及滚动至页底的操作，但存在两个核心问题：

• 无法精准按浏览器窗口高度滚动，导致前后截图出现内容重复（前一张末尾与后一张开头重叠）
• 滚动距离偶尔超出窗口高度，造成文本漏截

现有实现代码 #

Selenium核心代码 #

from selenium import webdriver
import time

# 创建Chrome驱动实例
driver = webdriver.Chrome()

# 打开目标网页
driver.get("https://www.stoiximan.gr/sport/basket/")

# 等待页面加载完成
time.sleep(5)

# 最大化窗口
driver.maximize_window()

# 等待几秒
time.sleep(2)

# 获取浏览器窗口高度
window_height = driver.execute_script("return window.innerHeight")

print(window_height)

# 初始化滚动位置为0
scroll_position = 0

# 循环直到页面底部
while True:
    # 截取当前页面
    screenshot_name = f"screenshot_{scroll_position}.png"
    driver.save_screenshot(screenshot_name)

    # 滚动窗口高度的距离
    scroll_position += window_height
    driver.execute_script(f"window.scrollTo(0, {scroll_position});")

    # 等待几秒
    time.sleep(2)
    
    # 判断是否到达页面底部
    if scroll_position >= driver.execute_script("return document.body.scrollHeight"):
        break

# 关闭浏览器
driver.quit()

尝试过的tkinter屏幕高度获取代码 #

import tkinter as tk

# 创建tkinter根窗口
root = tk.Tk()

# 获取屏幕高度
screen_height = root.winfo_screenheight()

print(f"屏幕高度: {screen_height} 像素")

# 销毁根窗口
root.destroy()

解决方案 #

问题根源在于页面高度计算不准确、滚动逻辑未考虑动态加载内容，以及截图范围未严格匹配可视区域。以下是修正后的实现：

方案1：精准滚动逻辑优化 #

from selenium import webdriver
import time

driver = webdriver.Chrome()
driver.get("https://www.stoiximan.gr/sport/basket/")
time.sleep(5)
driver.maximize_window()
time.sleep(2)

# 获取初始可视窗口高度
window_height = driver.execute_script("return window.innerHeight")
# 用documentElement.scrollHeight获取更准确的页面总高度
total_height = driver.execute_script("return document.documentElement.scrollHeight")

scroll_position = 0

while scroll_position < total_height:
    # 截图当前页面
    driver.save_screenshot(f"screenshot_{scroll_position}.png")
    
    # 计算下一次滚动位置，避免超出页面总高度
    next_scroll = scroll_position + window_height
    if next_scroll > total_height:
        next_scroll = total_height
    
    # 执行滚动
    driver.execute_script(f"window.scrollTo(0, {next_scroll});")
    scroll_position = next_scroll
    
    # 等待懒加载内容加载完成
    time.sleep(2)
    
    # 更新页面总高度（滚动后可能加载新内容）
    total_height = driver.execute_script("return document.documentElement.scrollHeight")

driver.quit()

方案2：裁剪可视区域彻底避免重复 #

如果需要完全杜绝重复，可截取当前可视区域而非整个页面，结合PIL进行裁剪：

from selenium import webdriver
import time
from PIL import Image
import io

driver = webdriver.Chrome()
driver.get("https://www.stoiximan.gr/sport/basket/")
time.sleep(5)
driver.maximize_window()
time.sleep(2)

window_height = driver.execute_script("return window.innerHeight")
window_width = driver.execute_script("return window.innerWidth")
total_height = driver.execute_script("return document.documentElement.scrollHeight")

scroll_position = 0

while scroll_position < total_height:
    # 获取全屏截图
    screenshot_bytes = driver.get_screenshot_as_png()
    img = Image.open(io.BytesIO(screenshot_bytes))
    
    # 裁剪当前可视区域：(左, 上, 右, 下)
    crop_box = (0, scroll_position, window_width, scroll_position + window_height)
    cropped_img = img.crop(crop_box)
    cropped_img.save(f"screenshot_{scroll_position}.png")
    
    # 计算下一次滚动位置
    next_scroll = scroll_position + window_height
    if next_scroll > total_height:
        next_scroll = total_height
    
    driver.execute_script(f"window.scrollTo(0, {next_scroll});")
    scroll_position = next_scroll
    
    time.sleep(2)
    total_height = driver.execute_script("return document.documentElement.scrollHeight")

driver.quit()

内容的提问来源于stack exchange，提问作者ddd ddd