如何在python中将查询提交到.aspx页面

Question

我需要从.aspx网页中抓取查询结果。

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

该网址是静态的，那么如何向该页面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”。

那里的人必须知道该怎么做。

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
• 解析这些响应
• 在上面的任务中有一些逻辑可以迭代，带有与导航关联的参数（到结果列表中的“下一页”）

http请求和响应处理是通过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（例如Beautiful
Soup）
来完成html页面的解析。

以下代码段演示了在问题指示的站点上请求和接收搜索的过程。该站点是ASP驱动的，因此，我们需要确保发送多个表单字段，其中一些表单字段具有“可怕”的值，因为ASP逻辑使用这些字段来维护状态并在某种程度上对请求进行身份验证。确实是提交。必须使用
http POST方法
发送请求，因为这是该ASP应用程序所期望的。主要困难在于确定ASP期望的表单字段和关联值（使用Python获取页面是最容易的部分）。

直到我删除了大部分的VSTATE值，并可能通过添加注释引入了一两个拼写错误，这段代码才起作用，或者更确切地说， 是 起作用的。

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()

就是为了获得初始页面。如上所述，然后需要解析页面，即找到感兴趣的部分并适当地收集它们，并将它们存储到文件/数据库/任何地方。可以通过很多方法来完成这项工作：使用html解析器或XSLT类型的技术（实际上是将html解析为xml之后），甚至对于简单的工作，也可以使用简单的正则表达式。同样，一个通常提取的项目之一是“下一个信息”，即各种链接，可用于对服务器的新请求中以获取后续页面。

这应该使您大致了解“长手”
html刮擦的含义。还有许多其他方法，例如专用工具，Mozilla（FireFox）GreaseMonkey插件中的脚本，XSLT …