Python模拟登录实战，采集整站表格数据-python网络数据采集pdf下载

本节主要内容有：

通过requests库模拟表单提交
通过pandas库提取网页表格

上周五，大师兄发给我一个网址，哭哭啼啼地求我：“去!把这个网页上所有年所有县所有作物的数据全爬下来，存到Access里!”

我看他可怜，勉为其难地挥挥手说：“好嘞，马上就开始!”

目标分析

大师兄给我的网址是这个：https://www.ctic.org/crm?tdsourcetag=s_pctim_aiomsg

打开长这样：

根据我学爬虫并不久的经验，通常只要把年月日之类的参数附加到url里面去，然后用requests.get拿到response解析html就完了，所以这次应该也差不多——除了要先想办法获得具体有哪些年份、地名、作物名称，其他部分拿以前的代码稍微改改就能用了，毫无挑战性工作，生活真是太无聊了

点击 View Summary 后出现目标网页长这样

那个大表格的数据就是目标数据了，好像没什么了不起的——

有点不对劲

目标数据所在网页的网址是这样的：https://www.ctic.org/crm/?action=result ，刚刚选择的那些参数并没有作为url的参数啊!网址网页都变了，所以也不是ajax

这和我想象的情况有巨大差别啊

尝试获取目标页面

让我来康康点击View Summary这个按钮时到底发生了啥：右键View Summary检查是这样：

实话说，这是我第一次遇到要提交表单的活儿。以前可能是上天眷顾我，统统get就能搞定，今天终于让我碰上一个post了。

点击View Summary，到DevTools里找network第一条：

不管三七二十一，post一下试试看

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': 'SjFKLWxVVkkaSRBYQWYYCA1TMG8iYR8ReUYcSj04Jh4EBzIdBGwmLw==', 
        '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，输出400……我猜这就是传说中的cookies在搞鬼吗?《Python3网络爬虫实战》只看到第6章的我不禁有些心虚跃跃欲试呢!

首先，我搞不清cookies具体是啥，只知道它是用来维持会话的，应该来自于第一次get，搞出来看看先：

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

输出：

<RequestsCookieJar[<Cookie PHPSESSID=52asgghnqsntitqd7c8dqesgh6 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里试试

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

还是400，气氛突然变得有些焦灼，我给你cookies了啊，你还想要啥?!

突然，我发现一件事：post请求所带的data中那个一开始就显得很可疑的_csrf我仿佛在哪儿见过?

那个我完全看不懂的cookies里好像就有一个_csrf啊!但是两个_csrf的值很明显结构不一样，试了一下把data里的_csrf换成cookies里的_csrf确实也不行。

但是我逐渐有了一个想法：这个两个_csrf虽然不相等，但是应该是匹配的，我刚刚的data来自浏览器，cookies来自python程序，所以不匹配!

于是我又点开浏览器的DevTools，Ctrl+F搜索了一下，嘿嘿，发现了：

和

这三处。

第一处那里的下一行的csrf_token很明显就是post请求所带的data里的_csrf，另外两个是js里的函数，虽然js没好好学但也能看出来这俩是通过post请求获得州名和县名的，Binggo!一下子解决两个问题。

为了验证我的猜想，我打算先直接用requests获取点击View Summary前的页面的HTML和cookies，将从HTML中提取的csrf_token值作为点击View Summary时post请求的data里的_csrf值，同时附上cookies，这样两处_csrf就应该是匹配的了：

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)

输出200，虽然和Chrome显示的302不一样，但是也表示成功，那就不管了。把response2.text写入html文件打开看是这样：

Yeah，数据都在!说明我的猜想是对的!那一会再试试我从没用过的requests.Session()维持会话，自动处理cookies。

尝试pandas库提取网页表格

现在既然已经拿到了目标页面的HTML，那在获取所有年、地区、州名、县名之前，先测试一下pandas.read_html提取网页表格的功能。

pandas.read_html这个函数时在写代码时IDE自动补全下拉列表里瞄到的，一直想试试来着，今天乘机拉出来溜溜：

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

输出：

Yeah!拿到了，确实比自己手写提取方便，而且数值字符串自动转成数值，优秀!

准备所有参数

接下来要获取所有年、地区、州名、县名。年份和地区是写死在HTML里的，直接xpath获取：

州名、县名根据之前发现的两个js函数，要用post请求来获得，其中州名要根据地区名获取，县名要根据州名获取，套两层循环就行

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')

啧啧，使用requests.Session就完全不需要自己管理cookies了，方便!具体获得的州名县名就不放出来了，实在太多了。然后把所有年、地区、州名、县名的可能组合先整理成csv文件，一会直接从csv里读取并构造post请求的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) 
# 由于州名有缩写和全称，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——也就是说至少要发送49473个post请求才能爬完全部数据，纯手工获取的话大概要点击十倍这个数字的次数……

正式开始

那么开始爬咯

import pyodbc 
with open("region_state.json") as json_file: 
    region_state = json.load(json_file) 
data = pd.read_csv('remain.csv') 
# 读取已经爬取的 
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]']] 
# 排除已经爬取的 
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()

注意中间有个try...except..语句，是因为不定时会发生Connection aborted的错误，有时9000次才断一次，有时一次就断，这也是我加上了读取已经爬取的和排除已经爬取的原因，而且担心被识别出爬虫，把headers写的丰富了一些(好像并没有什么卵用)，并且每次断开都暂停个30s并重新开一个会话

然后把程序开着过了一个周末，命令行里终于打出了Done!，到Access里一看有816288条记录，心想：下次试试多线程(进程)和代理池。

周一，我把跑出来的数据发给大师兄，大师兄回我：“好的”。

隔着屏幕我都能感受到滔滔不绝的敬仰和感激之情，一直到现在，大师兄都感动地说不出话来。