.aspxWebページからクエリ結果を取得する必要があります。
http://legistar.council.nyc.gov/Legislation.aspx
URLは静的ですが、このページにクエリを送信して結果を取得するにはどうすればよいですか?それぞれのドロップダウンメニューから「すべての年」と「すべてのタイプ」を選択する必要があると仮定します。
そこにいる誰かがこれを行う方法を知っている必要があります。
概要として、次の4つの主要なタスクを実行する必要があります。
Httpの要求と応答の処理は、Pythonの標準ライブラリの rllib および rllib2 のメソッドとクラスを使用して行われます。 HTMLページの解析は、Pythonの標準ライブラリ HTMLParser または Beautiful Soup などの他のモジュールを使用して実行できます。
次のスニペットは、質問で示されたサイトでの検索の要求と受信を示しています。このサイトはASP主導型であるため、いくつかのフォームフィールドを送信する必要があります。これらのフォームフィールドの一部は、ASPロジックによって使用され、状態を維持し、リクエストを認証します。ある程度。確かに提出します。リクエストはhttp POSTメソッドで送信する必要があります。これは、このASPアプリケーションから期待されるものだからです。主な問題は、ASPが期待するフォームフィールドと関連する値を特定することです(Pythonでページを取得するのは簡単です)。
このコードは機能します。より正確には、VSTATE値のほとんどを削除し、コメントを追加してタイプミスを1つか2つ導入するまで、は機能していました。
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's 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()
これで、最初のページを取得できます。上で述べたように、次にページを解析する必要があります。つまり、関心のある部分を見つけて適切に収集し、ファイル/データベース/どこにでも保存する必要があります。このジョブは非常に多くの方法で実行できます。htmlパーサー、またはXSLTタイプのテクノロジ(実際にはhtmlをxmlに解析した後)を使用するか、粗雑なジョブの場合でも単純な正規表現を使用します。また、通常抽出される項目の1つは「次の情報」、つまり、サーバーへの新しい要求で後続のページを取得するために使用できる種類のリンクです。
これにより、「ロングハンド」のhtmlスクレイピングが何であるかを大まかに把握できます。これには、専用ユーティリティ、Mozilla(FireFox)のGreaseMonkeyプラグインのスクリプト、XSLTなど、他にも多くのアプローチがあります。
Selenium は、この種のタスクに使用するのに最適なツールです。入力するフォーム値を指定して、応答ページのhtmlを文字列としてpythonコード)の数行で取得できます。Seleniumを使用すると、手動で行う必要がない場合があります。多くの試行錯誤の末にわかったように、有効なPOSTリクエストとそのすべての隠れた変数をシミュレートする作業。
他の回答のコードは役に立ちました。それなしではクローラーを書くことはできなかったでしょう。
私が遭遇した問題の1つは、Cookieでした。私がクロールしていたサイトは、Cookieを使用してセッションID /セキュリティ関連のものをログに記録していたため、クローラーを機能させるためにコードを追加する必要がありました。
このインポートを追加します:
import cookielib
クッキーのものを初期化します:
COOKIEFILE = 'cookies.lwp' # the path and filename that you want to use to save your cookies in
cj = cookielib.LWPCookieJar() # This is a subclass of FileCookieJar that has useful load and save methods
CookieJar
をインストールして、デフォルトのオープナーハンドラーでデフォルトのCookieProcessor
として使用されるようにします。
cj.load(COOKIEFILE)
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)
サイトが使用しているCookieを確認するには:
print 'These are the cookies we have received so far :'
for index, cookie in enumerate(cj):
print index, ' : ', cookie
これによりCookieが保存されます。
cj.save(COOKIEFILE) # save the cookies
ほとんどのASP.NETサイト(参照したサイトを含む)は、実際にはGET動詞ではなくHTTP POST動詞)を使用してクエリを自分自身にポストバックします。そのため、URLは変更されません。了解しました。
あなたがする必要があるのは、生成されたHTMLを見て、それらのすべてのフォーム値をキャプチャすることです。一部のフォーム値はページ検証に使用され、それらがないとPOSTリクエストが拒否されるため、必ずすべてのフォーム値をキャプチャしてください。
検証を除いて、スクレイピングと投稿に関するASPXページは他のWebテクノロジーと同じです。
「それぞれのドロップダウンメニューから「すべての年」と「すべてのタイプ」を選択する必要があると仮定します。」
これらのオプションは、最終的に送信されるURLに対して何をしますか。
結局のところ、それはurllib2
を介して送信されるHTTPリクエストに相当します。
それぞれのドロップダウンメニューから「すべての年」と「すべてのタイプ」を実行する方法を知っていますか?次のようにします。
それぞれのドロップダウンメニューから「すべての年」と「すべてのタイプ」を選択します。
実際に送信されたURLに注意してください。
このURLをurllib2
で使用します。