有没有办法使用 Python 从“网站按钮点击”下载 csv 文件？

Question

我想从这个网站自动下载一个 CSV 文件 "Projects.csv"：

https://www.vcsprojectdatabase.org/#/projects/st_/c_/ss_0/so_/di_/np_

可以通过单击 CSV 图标手动下载 CSV，但我不确定如何在 python 中自动下载并将 CSV 文件本地存储在我的驱动器上。

到目前为止，我已经尝试通过 chrome 开发人员控制台检查按钮元素，以在“网络”选项卡中找到正确的 url，就像这样？

https://www.vcsprojectdatabase.org/services/publicViewServices/fetchProjectsExport

但我不确定这个 URL 是否应该在末尾包含文件名，如下所示：

https://www.vcsprojectdatabase.org/services/publicViewServices/fetchProjectsExport/Projects.csv

这是我尝试过的，但它只是写了一个空白文件：

import requests

url = 'https://www.vcsprojectdatabase.org/services/publicViewServices/fetchProjectsExport/Projects.csv'

r = requests.get(url)
with open('a.csv', 'wb') as f:
    f.write(r.content) 

如何正确下载和保存 CSV 文件？

Answer 1

首先，你应该了解基于requests的HTTP协议。 JavaScript 执行的最终结果将形成 HTTP 请求，让服务器响应文件内容。您需要“反转”网页，找到如何创建正确的请求并尽可能地重复它。

那么，让我们一步一步地尝试：

1. 在执行下载的元素上单击鼠标右键，然后按“检查元素”
2. 在源代码中，您可以看到该元素执行的 JavaScript 函数的名称
3. 在控制台中输入函数名称，不带括号，然后单击应出现在控制台返回附近的按钮（此按钮将在源代码中打开此 JavaScript 函数）
4. 在源代码中，我们看到函数在 ID 为 frmDownload 的 HTML 元素上执行提交。因此，返回“Inspector”选项卡并在搜索框中输入此 ID。

5. 现在我们发现这个元素是 HTML form。此表单将 POST 请求发送到 URL https://www.vcsprojectdatabase.org/services/publicViewServices/fetchProjectsExport 以及下一个数据：

   searchTerm=
   country=
   sectoral_scope=0
   recentProjects=
   sort=projectId
   dir=DESC
   formatType=csv
   

   此信息足以尝试在 Python 中重复此请求。

让我们编写一个小脚本，形成并发送相同的请求并将结果保存到 .csv 文件中：

import requests

data = {
    "searchTerm": "",
    "country": "",
    "sectoral_scope": "0",
    "recentProjects": "",
    "sort": "projectId",
    "dir": "DESC",
    "formatType": "csv"
}

file = requests.post("https://www.vcsprojectdatabase.org/services/publicViewServices/fetchProjectsExport", data)

with open("res.csv", "wb+") as f:
    f.write(file.content)

启动它，它......工作。 res.csv 包含正确的结果。

但这还不是全部。通常一切都不是那么容易。为了让我们的请求看起来与浏览器发送的相同，我们应该查看request headers。要从浏览器捕获 HTTP 请求，我们可以打开“网络”选项卡：

现在让我们按下网页上的下载按钮并下载 csv 文件。现在在 requests 表中，我们可以看到我们的 post 请求。单击它并查看“请求标头”部分中的“标头”选项卡。

有Cookie 标头，大部分在请求中并不重要，可以忽略。但是如果您对请求有一些问题，您应该查看以前的请求，在服务器响应中找到带有Set-Cookie 标头的请求并重复它。

让我们改进我们的脚本并复制重要的（我们不包含主机、内容长度、连接，因为 Python 请求模块会自动添加它们；根本不需要 DNT 和升级不安全请求） 来自浏览器的标题。

import requests

data = {
    "searchTerm": "",
    "country": "",
    "sectoral_scope": "0",
    "recentProjects": "",
    "sort": "projectId",
    "dir": "DESC",
    "formatType": "csv"
}

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:66.0) Gecko/20100101 Firefox/66.0",
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
    "Accept-Language":  "en-US,en;q=0.5",
    "Accept-Encoding": "gzip, deflate, br",
    "Referer": "https://www.vcsprojectdatabase.org/",
    "Content-Type": "application/x-www-form-urlencoded"
}

file = requests.post("https://www.vcsprojectdatabase.org/services/publicViewServices/fetchProjectsExport", data,
                     headers=headers)

with open("res.csv", "wb+") as f:
    f.write(file.content)

P.S.别忘了向网站所有者征求许可?

Answer 2

请求类型为 POST，您需要指定相应的标头，您可以在开发者控制台中看到这些标头。此外，您不会提供表单数据。下面的代码有效。

import requests

url = 'https://www.vcsprojectdatabase.org/services/publicViewServices/fetchProjectsExport?searchTerm=&country=&sectoral_scope=0&recentProjects=&sort=projectId&dir=DESC&formatType=csv'
headers = {'Content-Type': 'application/x-www-form-urlencoded','Accept': 'text/csv'}

r = requests.post(url,headers=headers)
with open('a.csv', 'wb') as f:
    f.write(r.content)