6

我正在尝试在scraperwiki上使用 Mechanize/Python ( http :// /scraperwiki.com/scrapers/food_standards_agency/）但在尝试遵循具有以下形式的“下一页”链接时遇到问题：

<input type="submit" name="ctl00$ContentPlaceHolder1$uxResults$uxNext" value="Next >" id="ctl00_ContentPlaceHolder1_uxResults_uxNext" title="Next >" />

表单处理程序如下所示：

<form method="post" action="QuickSearch.aspx?q=po30" onsubmit="javascript:return WebForm_OnSubmit();" onkeypress="javascript:return WebForm_FireDefaultButton(event, 'ctl00_ContentPlaceHolder1_buttonSearch')" id="aspnetForm">
<input type="hidden" name="__EVENTTARGET" id="__EVENTTARGET" value="" />
<input type="hidden" name="__EVENTARGUMENT" id="__EVENTARGUMENT" value="" />
<input type="hidden" name="__LASTFOCUS" id="__LASTFOCUS" value="" />

当我手动单击 Next 链接时，HTTP 跟踪显示 __EVENTTARGET 为空？我可以在其他刮刀上找到的所有婴儿床都显示了对 __EVENTTARGET 的操作作为处理下一页的方式。

确实，我不确定我要抓取的页面如何加载下一页？无论我向刮板扔什么，它都只能加载第一个结果页面。（即使能够更改每页的结果数量也会很有用，但我也不知道该怎么做！）

那么 - 关于如何为 N>0 抓取第 1+N 个结果页面的任何想法？

4

2 回答 2

8

Mechanize 不处理 javascript，但对于这种特殊情况，它不是必需的。

首先我们用mechanize打开结果页面

url = 'http://ratings.food.gov.uk/QuickSearch.aspx?q=po30'
br = mechanize.Browser()
br.set_handle_robots(False)
br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]
br.open(url)
response = br.response().read()

然后我们选择aspnet形式：

br.select_form(nr=0) #Select the first (and only) form - it has no name so we reference by number

该表单有 5 个提交按钮 - 我们要提交一个将我们带到下一个结果页面的按钮：

response = br.submit(name='ctl00$ContentPlaceHolder1$uxResults$uxNext').read()  #"Press" the next submit button

表单中的其他提交按钮是：

ctl00$uxLanguageSwitch # Switch language to Welsh
ctl00$ContentPlaceHolder1$uxResults$Button1 # Search submit button
ctl00$ContentPlaceHolder1$uxResults$uxFirst # First result page
ctl00$ContentPlaceHolder1$uxResults$uxPrevious # Previous result page
ctl00$ContentPlaceHolder1$uxResults$uxLast # Last result page

在 mechanize 中，我们可以获得如下形式的信息：

for form in br.forms():
    print form
于 2011-05-25T12:23:08.483 回答
2

Mechanize 不处理 JavaScript。

然而，有很多方法可以处理这个问题，包括QtWebKit、python-spidermonkey、HtmlUnit（使用 Jython）或SeleniumRC。

以下是使用 SeleniumRC 完成的方法：

import selenium
sel=selenium.selenium("localhost",4444,"*firefox", "http://ratings.food.gov.uk")   
sel.start()
sel.open("QuickSearch.aspx?q=po30")
sel.click('ctl00$ContentPlaceHolder1$uxResults$uxNext')

另请参阅这些相关的 SO 问题：

  1. 如何单击具有 JavaScript 的链接
  2. 单击 Python 中的 JavaScript 链接
于 2011-05-24T20:32:25.420 回答