如何使用Selenium在浏览器中直接打开XML文件而不自动下载

解决方案 #

核心是修改Chrome浏览器的默认行为，让XML类型的文件直接在浏览器内渲染，而不是触发下载，修改配置后直接读取页面源码即可获取XML内容。

步骤1：添加Chrome启动参数配置 #

在初始化ChromeOptions的时候添加偏好设置（prefs），指定XML类型的内容直接在浏览器打开，禁止自动下载，需要添加的配置项：

• 禁用下载提示
• 指定application/xml、text/xml、application/xhtml+xml等XML相关MIME类型无需下载直接打开
• 禁用默认的下载保存询问

步骤2：处理标签页切换（可选） #

如果点击Metadata链接是打开新标签页，需要切换到新打开的标签页后再读取源码，读取完成后可以关闭该标签页切回原列表页，避免标签页过多占用资源。

步骤3：直接获取XML源码 #

页面加载完成后，直接调用driver.page_source即可获取完整的XML源代码，可直接交给BeautifulSoup解析或者保存到本地。

调整后完整代码 #

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from bs4 import BeautifulSoup
from time import sleep

# Initialize webdriver
driver_options = Options()
driver_options.headless = True
# 新增Chrome偏好配置，禁止XML自动下载，直接在浏览器打开
prefs = {
    "download.default_directory": "/dev/null", # 临时下载目录设为空，避免残留文件
    "download.prompt_for_download": False,
    "download.directory_upgrade": True,
    "safebrowsing.enabled": True,
    # 配置XML相关MIME类型直接在浏览器打开，不触发下载
    "browser.helperApps.neverAsk.saveToDisk": "application/xml, text/xml, application/xhtml+xml, text/xsl",
    "browser.helperApps.alwaysAsk.force": False
}
driver_options.add_experimental_option("prefs", prefs)
driver = webdriver.Chrome(options=driver_options, executable_path="bin/chromedriver")

# Get Index page
url = "https://www.ems-ph.org/journals/all_issues.php?issn=1660-8933"
driver.get(url)
sleep(10)

# 记录初始标签页id，方便后续切回
original_window = driver.current_window_handle

for td in driver.find_elements(By.CLASS_NAME, 'remark'):
    td.find_element(By.LINK_TEXT, 'Metadata').click()
    sleep(3)
    # 切换到新打开的XML标签页
    for window_handle in driver.window_handles:
        if window_handle != original_window:
            driver.switch_to.window(window_handle)
            break
    # 获取XML源码
    xml_source = driver.page_source
    print(xml_source) # 此处可替换为你的解析/保存逻辑
    # 关闭当前XML标签页，切回原列表页
    driver.close()
    driver.switch_to.window(original_window)
    sleep(1)

# 最后关闭驱动
driver.quit()

备选方案（更稳定） #

无需修改浏览器配置，直接提取链接地址后主动访问，避免点击事件绑定的下载逻辑，适配性更强：

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from bs4 import BeautifulSoup
from time import sleep

# Initialize webdriver
driver_options = Options()
driver_options.headless = True
driver = webdriver.Chrome(options=driver_options, executable_path="bin/chromedriver")

# Get Index page
url = "https://www.ems-ph.org/journals/all_issues.php?issn=1660-8933"
driver.get(url)
sleep(10)

for td in driver.find_elements(By.CLASS_NAME, 'remark'):
    # 提取Metadata链接地址，不触发点击操作
    meta_link = td.find_element(By.LINK_TEXT, 'Metadata').get_attribute('href')
    # 直接访问XML资源地址
    driver.get(meta_link)
    sleep(3)
    # 直接获取XML源码
    xml_source = driver.page_source
    print(xml_source) # 此处可替换为你的解析/保存逻辑
    # 返回原列表页继续处理下一个链接
    driver.back()
    sleep(1)

# 最后关闭驱动
driver.quit()

注意事项 #

• 如果点击链接没有打开新标签页，可删除第一种方案中的标签页切换逻辑，直接在当前页读取page_source即可
• 可通过浏览器F12网络面板查看Metadata请求的响应头Content-Type字段，根据实际返回的MIME类型调整配置中的允许打开类型列表

内容的提问来源于stack exchange，提问作者user9640175