如何在python中向.aspx页面提交查询

Question

我需要从.aspx网页上抓取查询结果.

http://legistar.council.nyc.gov/Legislation.aspx

网址是静态的,那么如何向此网页提交查询并获得结果？假设我们需要从相应的下拉菜单中选择"所有年份"和"所有类型".

那里的人必须知道如何做到这一点.

Answer 1

作为概述,您将需要执行四个主要任务:

• 向网站提交请求,
• 从站点检索响应
• 解析这些回复
• 有一些逻辑迭代上面的任务,参数与导航相关(到结果列表中的"下一页")

http请求和响应处理是使用Python标准库的urllib和urllib2中的方法和类完成的.可以使用Python的标准库的HTMLParser 或其他模块(如Beautiful Soup)来解析html页面.

以下代码段演示了在问题中指明的站点请求和接收搜索.这个站点是ASP驱动的,因此我们需要确保我们发送几个表单字段,其中一些具有"可怕的"值,因为ASP逻辑使用它们来维护状态并在某种程度上验证请求.确实提交.必须使用http POST方法发送请求,因为这是此ASP应用程序所期望的.主要的困难在于识别ASP所期望的表单字段和相关值(使用Python获取页面是很容易的部分).

这段代码是功能性的,或者更确切地说,是功能性的,直到我删除了大部分VSTATE值,并且可能通过添加注释引入了一两个错字.

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()

这是关于获取初始页面的.如上所述,然后需要解析页面,即找到感兴趣的部分并在适当时收集它们,并将它们存储到文件/数据库/工具中.这项工作可以通过很多方式完成:使用html解析器或XSLT类型的技术(实际上在解析html到xml之后),甚至是原始作业,简单的正则表达式.此外,通常提取的项目之一是"下一个信息",即排序的链接,其可以在对服务器的新请求中使用以获得后续页面.

这应该会让你粗略地了解"长手"html刮痧的内容.还有很多其他方法,例如专用实用程序,Mozilla(FireFox)GreaseMonkey插件中的脚本,XSLT ......

Answer 2

大多数 ASP.NET 站点（包括您引用的站点）实际上会使用 HTTP POST 动词（而不是 GET 动词）将查询发送回自己。这就是为什么 URL 没有像您所说的那样改变。

您需要做的是查看生成的 HTML 并捕获它们的所有表单值。请务必捕获所有表单值，因为其中一些值用于页面验证，如果没有它们，您的 POST 请求将被拒绝。

除了验证之外，ASPX 页面在抓取和发布方面与其他 Web 技术没有什么不同。

Answer 3

Selenium是用于此类任务的绝佳工具.您可以指定要输入的表单值,并将响应页面的html检索为几行python代码中的字符串.使用Selenium你可能不需要做模拟有效的post请求及其所有隐藏变量的手动工作,正如我在经过多次试验和错误后发现的那样.