怎么用Python采集整站表格數(shù)據(jù)

這篇文章主要講解了“怎么用Python采集整站表格數(shù)據(jù)”，文中的講解內(nèi)容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“怎么用Python采集整站表格數(shù)據(jù)”吧！

目標分析

大師兄給我的網(wǎng)址是這個：https://www.ctic.org/crm?tdsourcetag=s_pctim_aiomsg

打開長這樣：

根據(jù)我學爬蟲并不久的經(jīng)驗，通常只要把年月日之類的參數(shù)附加到url里面去，然后用requests.get拿到response解析html就完了，所以這次應(yīng)該也差不多——除了要先想辦法獲得具體有哪些年份、地名、作物名稱，其他部分拿以前的代碼稍微改改就能用了，毫無挑戰(zhàn)性工作，生活真是太無聊了

點擊 View Summary 后出現(xiàn)目標網(wǎng)頁長這樣

那個大表格的數(shù)據(jù)就是目標數(shù)據(jù)了，好像沒什么了不起的——

有點不對勁

目標數(shù)據(jù)所在網(wǎng)頁的網(wǎng)址是這樣的：https://www.ctic.org/crm/?action=result  ，剛剛選擇的那些參數(shù)并沒有作為url的參數(shù)啊!網(wǎng)址網(wǎng)頁都變了，所以也不是ajax

這和我想象的情況有巨大差別啊

嘗試獲取目標頁面

讓我來康康點擊View Summary這個按鈕時到底發(fā)生了啥：右鍵View Summary檢查是這樣：

實話說，這是我第一次遇到要提交表單的活兒。以前可能是上天眷顧我，統(tǒng)統(tǒng)get就能搞定，今天終于讓我碰上一個post了。

點擊View Summary，到DevTools里找network第一條：

不管三七二十一，post一下試試看

import requests   url = 'https://www.ctic.org/crm?tdsourcetag=s_pctim_aiomsg' headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '            'AppleWebKit/537.36 (KHTML, like Gecko) '            'Chrome/74.0.3729.131 Safari/537.36',            'Host': 'www.ctic.org'} data = {'_csrf': 'SjFKLWxVVkkaSRBYQWYYCA1TMG8iYR8ReUYcSj04Jh5EBzIdBGwmLw==',         'CRMSearchForm[year]': '2011',         'CRMSearchForm[format]': 'Acres',         'CRMSearchForm[area]': 'County',         'CRMSearchForm[region]': 'Midwest',         'CRMSearchForm[state]': 'IL',         'CRMSearchForm[county]': 'Adams',         'CRMSearchForm[crop_type]': 'All',         'summary': 'county'} response = requests.post(url, data=data, headers=headers) print(response.status_code)

果不其然，輸出400……我猜這就是傳說中的cookies在搞鬼嗎?《Python3網(wǎng)絡(luò)爬蟲實戰(zhàn)》只看到第6章的我不禁有些心虛躍躍欲試呢!

首先，我搞不清cookies具體是啥，只知道它是用來維持會話的，應(yīng)該來自于第一次get，搞出來看看先：

response1 = requests.get(url, headers=headers) if response1.status_code == 200:     cookies = response1.cookies     print(cookies)

輸出：

<RequestsCookieJar[<Cookie PHPSESSID=52asgghnqsntitqd7c8dqesgh7 for www.ctic.org/>, <Cookie _csrf=2571c72a4ca9699915ea4037b967827150715252de98ea2173b162fa376bad33s%3A32%3A%22TAhjwgNo5ElZzV55k3DMeFoc5TWrEmXj%22%3B for www.ctic.org/>]>

Nah，看不懂，不看不管，直接把它放到post里試試

response2 = requests.post(url, data=data, headers=headers, cookies=cookies) print(response2.status_code)

還是400，氣氛突然變得有些焦灼，我給你cookies了啊，你還想要啥?!

突然，我發(fā)現(xiàn)一件事：post請求所帶的data中那個一開始就顯得很可疑的_csrf我仿佛在哪兒見過?

那個我完全看不懂的cookies里好像就有一個_csrf啊!但是兩個_csrf的值很明顯結(jié)構(gòu)不一樣，試了一下把data里的_csrf換成cookies里的_csrf確實也不行。

但是我逐漸有了一個想法：這個兩個_csrf雖然不相等，但是應(yīng)該是匹配的，我剛剛的data來自瀏覽器，cookies來自python程序，所以不匹配!

于是我又點開瀏覽器的DevTools，Ctrl+F搜索了一下，嘿嘿，發(fā)現(xiàn)了：

和

這三處。

第一處那里的下一行的csrf_token很明顯就是post請求所帶的data里的_csrf，另外兩個是js里的函數(shù)，雖然js沒好好學但也能看出來這倆是通過post請求獲得州名和縣名的，Binggo!一下子解決兩個問題。

為了驗證我的猜想，我打算先直接用requests獲取點擊View  Summary前的頁面的HTML和cookies，將從HTML中提取的csrf_token值作為點擊View  Summary時post請求的data里的_csrf值，同時附上cookies，這樣兩處_csrf就應(yīng)該是匹配的了：

from lxml import etree response1 = requests.get(url, headers=headers) cookies = response1.cookies html = etree.HTML(response1.text) csrf_token = html.xpath('/html/head/meta[3]/@content')[0] data.update({'_csrf': csrf_token}) response2 = requests.post(url, data=data, headers=headers, cookies=cookies) print(response2.status_code)

輸出200，雖然和Chrome顯示的302不一樣，但是也表示成功，那就不管了。把response2.text寫入html文件打開看是這樣：

Yeah，數(shù)據(jù)都在!說明我的猜想是對的!那一會再試試我從沒用過的requests.Session()維持會話，自動處理cookies。

嘗試pandas庫提取網(wǎng)頁表格

現(xiàn)在既然已經(jīng)拿到了目標頁面的HTML，那在獲取所有年、地區(qū)、州名、縣名之前，先測試一下pandas.read_html提取網(wǎng)頁表格的功能。

pandas.read_html這個函數(shù)時在寫代碼時IDE自動補全下拉列表里瞄到的，一直想試試來著，今天乘機拉出來溜溜：

import pandas as pd df = pd.read_html(response2.text)[0] print(df)

輸出：

Yeah!拿到了，確實比自己手寫提取方便，而且數(shù)值字符串自動轉(zhuǎn)成數(shù)值，優(yōu)秀!

準備所有參數(shù)

接下來要獲取所有年、地區(qū)、州名、縣名。年份和地區(qū)是寫死在HTML里的，直接xpath獲?。?/p>

州名、縣名根據(jù)之前發(fā)現(xiàn)的兩個js函數(shù)，要用post請求來獲得，其中州名要根據(jù)地區(qū)名獲取，縣名要根據(jù)州名獲取，套兩層循環(huán)就行

def new():     session = requests.Session()     response = session.get(url=url, headers=headers)     html = etree.HTML(response.text)     return session, html   session, html = new() years = html.xpath('//*[@id="crmsearchform-year"]/option/text()') regions = html.xpath('//*[@id="crmsearchform-region"]/option/text()') _csrf = html.xpath('/html/head/meta[3]/@content')[0] region_state = {} state_county = {} for region in regions:     data = {'region': region, '_csrf': _csrf}     response = session.post(url_state, data=data)     html = etree.HTML(response.json())     region_state[region] = {x: y for x, y in                             zip(html.xpath('//option/@value'),                                 html.xpath('//option/text()'))}     for state in region_state[region]:         data = {'state': state, '_csrf': _csrf}         response = session.post(url_county, data=data)         html = etree.HTML(response.json())         state_county[state] = html.xpath('//option/@value')

嘖嘖，使用requests.Session就完全不需要自己管理cookies了，方便!具體獲得的州名縣名就不放出來了，實在太多了。然后把所有年、地區(qū)、州名、縣名的可能組合先整理成csv文件，一會直接從csv里讀取并構(gòu)造post請求的data字典：

remain = [[str(year), str(region), str(state), str(county)]          for year in years for region in regions          for state in region_state[region] for county in state_county[state]] remain = pd.DataFrame(remain, columns=['CRMSearchForm[year]',                                        'CRMSearchForm[region]',                                        'CRMSearchForm[state]',                                        'CRMSearchForm[county]']) remain.to_csv('remain.csv', index=False) # 由于州名有縮寫和全稱，也本地保存一份 import json with open('region_state.json', 'w') as json_file:         json.dump(region_state, json_file, indent=4)

我看了一下，一共49473行——也就是說至少要發(fā)送49473個post請求才能爬完全部數(shù)據(jù)，純手工獲取的話大概要點擊十倍這個數(shù)字的次數(shù)……

正式開始

那么開始爬咯

import pyodbc with open("region_state.json") as json_file:     region_state = json.load(json_file) data = pd.read_csv('remain.csv') # 讀取已經(jīng)爬取的 cnxn = pyodbc.connect('DRIVER={Microsoft Access Driver (*.mdb, *.accdb)};'                       'DBQ=./ctic_crm.accdb') crsr = cnxn.cursor() crsr.execute('select Year_, Region, State, County from ctic_crm') done = crsr.fetchall() done = [list(x) for x in done] done = pd.DataFrame([list(x) for x in done], columns=['CRMSearchForm[year]',                                                       'CRMSearchForm[region]',                                                       'CRMSearchForm[state]',                                                       'CRMSearchForm[county]']) done['CRMSearchForm[year]'] = done['CRMSearchForm[year]'].astype('int64') state2st = {y: x for z in region_state.values() for x, y in z.items()} done['CRMSearchForm[state]'] = [state2st[x]                                 for x in done['CRMSearchForm[state]']] # 排除已經(jīng)爬取的 remain = data.append(done) remain = remain.drop_duplicates(keep=False) total = len(remain) print(f'{total} left.n') del data   # %% remain['CRMSearchForm[year]'] = remain['CRMSearchForm[year]'].astype('str') columns = ['Crop',            'Total_Planted_Acres',            'Conservation_Tillage_No_Till',            'Conservation_Tillage_Ridge_Till',            'Conservation_Tillage_Mulch_Till',            'Conservation_Tillage_Total',            'Other_Tillage_Practices_Reduced_Till15_30_Residue',            'Other_Tillage_Practices_Conventional_Till0_15_Residue'] fields = ['Year_', 'Units', 'Area', 'Region', 'State', 'County'] + columns data = {'CRMSearchForm[format]': 'Acres',         'CRMSearchForm[area]': 'County',         'CRMSearchForm[crop_type]': 'All',         'summary': 'county'} headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '            'AppleWebKit/537.36 (KHTML, like Gecko) '            'Chrome/74.0.3729.131 Safari/537.36',            'Host': 'www.ctic.org',            'Upgrade-Insecure-Requests': '1',            'DNT': '1',            'Connection': 'keep-alive'} url = 'https://www.ctic.org/crm?tdsourcetag=s_pctim_aiomsg' headers2 = headers.copy() headers2 = headers2.update({'Referer': url,                             'Origin': 'https://www.ctic.org'}) def new():     session = requests.Session()     response = session.get(url=url, headers=headers)     html = etree.HTML(response.text)     _csrf = html.xpath('/html/head/meta[3]/@content')[0]     return session, _csrf session, _csrf = new() for _, row in remain.iterrows():     temp = dict(row)     data.update(temp)     data.update({'_csrf': _csrf})     while True:         try:             response = session.post(url, data=data, headers=headers2, timeout=15)             break         except Exception as e:             session.close()             print(e)             print('nSleep 30s.n')             time.sleep(30)             session, _csrf = new()             data.update({'_csrf': _csrf})       df = pd.read_html(response.text)[0].dropna(how='all')     df.columns = columns     df['Year_'] = int(temp['CRMSearchForm[year]'])     df['Units'] = 'Acres'     df['Area'] = 'County'     df['Region'] = temp['CRMSearchForm[region]']     df['State'] = region_state[temp['CRMSearchForm[region]']][temp['CRMSearchForm[state]']]     df['County'] = temp['CRMSearchForm[county]']     df = df.reindex(columns=fields)     for record in df.itertuples(index=False):         tuple_record = tuple(record)         sql_insert = f'INSERT INTO ctic_crm VALUES {tuple_record}'         sql_insert = sql_insert.replace(', nan,', ', null,')         crsr.execute(sql_insert)         crsr.commit()     print(total, row.to_list())     total -= 1 else:     print('Done!')     crsr.close()     cnxn.close()

注意中間有個try...except..語句，是因為不定時會發(fā)生Connection  aborted的錯誤，有時9000次才斷一次，有時一次就斷，這也是我加上了讀取已經(jīng)爬取的和排除已經(jīng)爬取的原因，而且擔心被識別出爬蟲，把headers寫的豐富了一些(好像并沒有什么卵用)，并且每次斷開都暫停個30s并重新開一個會話

然后把程序開著過了一個周末，命令行里終于打出了Done!，到Access里一看有816288條記錄，心想：下次試試多線程(進程)和代理池。

感謝各位的閱讀，以上就是“怎么用Python采集整站表格數(shù)據(jù)”的內(nèi)容了，經(jīng)過本文的學習后，相信大家對怎么用Python采集整站表格數(shù)據(jù)這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！