Ответ 1
В качестве обзора вам необходимо выполнить четыре основные задачи:
- чтобы отправить запрос на веб-сайт,
- для получения ответа (ответов) с сайта
- для анализа этих ответов
- иметь некоторую логику для повторения в вышеперечисленных задачах с параметрами, связанными с навигацией (на "следующие" страницы в списке результатов)
Обработка запросов HTTP и ответов выполняется с помощью методов и классов из стандартной библиотеки Python urllib и urllib2. Разбор html-страниц можно выполнить с помощью стандартной библиотеки Python HTMLParser или с другими модулями, такими как Красивый суп
Следующий фрагмент демонстрирует запрос и получение поиска на сайте, указанном в вопросе. Этот сайт ориентирован на ASP, и в результате мы должны обеспечить отправку нескольких полей формы, некоторые из которых имеют "ужасные" значения, поскольку они используются логикой ASP для поддержания состояния и для аутентификации запроса в некоторой степени. Действительно, отправляю. Запросы должны быть отправлены с помощью метода http POST, поскольку это то, что ожидается от этого приложения ASP. Основная трудность заключается в определении поля формы и связанных значений, которые ASP ожидает (получение страниц с Python является легкой частью).
Этот код является функциональным или, точнее, функциональным, пока я не удалю большую часть значения VSTATE и, возможно, внедрил опечатку или два, добавив комментарии.
import urllib
import urllib2
uri = 'http://legistar.council.nyc.gov/Legislation.aspx'
#the http headers are useful to simulate a particular browser (some sites deny
#access to non-browsers (bots, etc.)
#also needed to pass the content type.
headers = {
'HTTP_USER_AGENT': 'Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.9.0.13) Gecko/2009073022 Firefox/3.0.13',
'HTTP_ACCEPT': 'text/html,application/xhtml+xml,application/xml; q=0.9,*/*; q=0.8',
'Content-Type': 'application/x-www-form-urlencoded'
}
# we group the form fields and their values in a list (any
# iterable, actually) of name-value tuples. This helps
# with clarity and also makes it easy to later encoding of them.
formFields = (
# the viewstate is actualy 800+ characters in length! I truncated it
# for this sample code. It can be lifted from the first page
# obtained from the site. It may be ok to hardcode this value, or
# it may have to be refreshed each time / each day, by essentially
# running an extra page request and parse, for this specific value.
(r'__VSTATE', r'7TzretNIlrZiKb7EOB3AQE ... ...2qd6g5xD8CGXm5EftXtNPt+H8B'),
# following are more of these ASP form fields
(r'__VIEWSTATE', r''),
(r'__EVENTVALIDATION', r'/wEWDwL+raDpAgKnpt8nAs3q+pQOAs3q/pQOAs3qgpUOAs3qhpUOAoPE36ANAve684YCAoOs79EIAoOs89EIAoOs99EIAoOs39EIAoOs49EIAoOs09EIAoSs99EI6IQ74SEV9n4XbtWm1rEbB6Ic3/M='),
(r'ctl00_RadScriptManager1_HiddenField', ''),
(r'ctl00_tabTop_ClientState', ''),
(r'ctl00_ContentPlaceHolder1_menuMain_ClientState', ''),
(r'ctl00_ContentPlaceHolder1_gridMain_ClientState', ''),
#but then we come to fields of interest: the search
#criteria the collections to search from etc.
# Check boxes
(r'ctl00$ContentPlaceHolder1$chkOptions$0', 'on'), # file number
(r'ctl00$ContentPlaceHolder1$chkOptions$1', 'on'), # Legislative text
(r'ctl00$ContentPlaceHolder1$chkOptions$2', 'on'), # attachement
# etc. (not all listed)
(r'ctl00$ContentPlaceHolder1$txtSearch', 'york'), # Search text
(r'ctl00$ContentPlaceHolder1$lstYears', 'All Years'), # Years to include
(r'ctl00$ContentPlaceHolder1$lstTypeBasic', 'All Types'), #types to include
(r'ctl00$ContentPlaceHolder1$btnSearch', 'Search Legislation') # Search button itself
)
# these have to be encoded
encodedFields = urllib.urlencode(formFields)
req = urllib2.Request(uri, encodedFields, headers)
f= urllib2.urlopen(req) #that the actual call to the http site.
# *** here would normally be the in-memory parsing of f
# contents, but instead I store this to file
# this is useful during design, allowing to have a
# sample of what is to be parsed in a text editor, for analysis.
try:
fout = open('tmp.htm', 'w')
except:
print('Could not open output file\n')
fout.writelines(f.readlines())
fout.close()
Это о том, чтобы получить начальную страницу. Как было сказано выше, нужно было бы проанализировать страницу, т.е. Найти интересующие ее части и собрать их по мере необходимости и сохранить их в файле/базе данных/везде. Эта работа может быть выполнена очень многими способами: с использованием синтаксических анализаторов html или типов технологий XSLT (действительно, после разбора html на xml) или даже на грубые задания - простое регулярное выражение. Кроме того, одним из элементов, которые обычно извлекаются, является "следующая информация", то есть ссылка рода, которая может быть использована в новом запросе на сервер для получения последующих страниц.
Это должно дать вам грубый аромат того, что такое "длинная рука" html scraping. Есть много других подходов к этому, таких как посвященные utilties, скрипты в Mozilla (FireFox) подключаемый модуль GreaseMonkey, XSLT...