【发布时间】:2018-02-04 06:28:30
【问题描述】:
我想使用this website 来提取数据,但是这个网站没有方便提取数据的API。因此,网站上有一个包含数据的“表格”,但是该表格分布在多个页面上,并且下载选项不支持“批量”下载。所以我想想办法通过 Python 下载它。
我发现我可以通过发布请求来做到这一点。我所做的是从第 1 页开始,然后单击“下一页”按钮并观看了网络选项卡,这给了我:
Request URL:https://www.patricbrc.org/api/genome/
Request Method:POST
Status Code:200 OK
Remote Address:128.173.97.11:443
Referrer Policy:no-referrer-when-downgrade
Response Headers
Access-Control-Allow-Origin:https://www.patricbrc.org
Access-Control-Expose-Headers:facet_counts,x-facet-count,Content-Range,X-Content-Range,ETag
Content-Encoding:gzip
Content-Range:items 200-399/45999
Content-Type:application/json; charset=utf-8
Date:Sat, 26 Aug 2017 09:36:40 GMT
ETag:W/"8ac0b-cFdEBUwfdiyTQm/gpJHYzQ"
Server:nginx/1.9.1
Transfer-Encoding:chunked
Vary:Origin, Accept
Vary:Accept-Encoding
X-Powered-By:Express
Request Headers
Accept:application/javascript, application/json, application/json
Accept-Encoding:gzip, deflate, br
Accept-Language:nl-NL,nl;q=0.8,en-US;q=0.6,en;q=0.4
Connection:keep-alive
Content-Length:82
Content-Type:application/rqlquery+x-www-form-urlencoded
Cookie:sprod=hZ36nWTBiHHaDwdAhCChFGZo; _ga=GA1.2.582935779.1503602311; _gid=GA1.2.174755110.1503602311; _gat=1
Host:www.patricbrc.org
Origin:https://www.patricbrc.org
Range:items=200-399
Referer:https://www.patricbrc.org/view/Taxonomy/2
User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36
X-Range:items=200-399
Request Payload
eq(taxon_lineage_ids,2)&eq(host_name,%22Human%2C%20Homo%20sapiens%22)&sort(-score)
Name
genome/
要查看页面切换后发生的变化,我再次执行此操作(因此再次单击“下一页”按钮)。
Request URL:https://www.patricbrc.org/api/genome/
Request Method:POST
Status Code:200 OK
Remote Address:128.173.97.11:443
Referrer Policy:no-referrer-when-downgrade
Response Headers
Access-Control-Allow-Origin:https://www.patricbrc.org
Access-Control-Expose-Headers:facet_counts,x-facet-count,Content-Range,X-Content-Range,ETag
Content-Encoding:gzip
Content-Range:items 400-599/45999
Content-Type:application/json; charset=utf-8
Date:Sat, 26 Aug 2017 09:44:24 GMT
ETag:W/"5dc73-ODopjbbyl5M2vUJvUGN0Gw"
Server:nginx/1.9.1
Transfer-Encoding:chunked
Vary:Origin, Accept
Vary:Accept-Encoding
X-Powered-By:Express
Request Headers
Accept:application/javascript, application/json, application/json
Accept-Encoding:gzip, deflate, br
Accept-Language:nl-NL,nl;q=0.8,en-US;q=0.6,en;q=0.4
Connection:keep-alive
Content-Length:82
Content-Type:application/rqlquery+x-www-form-urlencoded
Cookie:sprod=hZ36nWTBiHHaDwdAhCChFGZo; _ga=GA1.2.582935779.1503602311; _gid=GA1.2.174755110.1503602311
Host:www.patricbrc.org
Origin:https://www.patricbrc.org
Range:items=400-599
Referer:https://www.patricbrc.org/view/Taxonomy/2
User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36
X-Range:items=400-599
Request Payload
eq(taxon_lineage_ids,2)&eq(host_name,%22Human%2C%20Homo%20sapiens%22)&sort(-score)
因此,在从第 1 页 --> 2 和从第 2 页 --> 3 开始发布请求期间(在我看来)发生变化的重要事情是:
- 响应标题 Content-Range:items 200-399/45999 --> Content-Range:items 400-599/45999
- 请求标头 范围:items=200-399 --> 范围:items=400-599
- 请求标头 X-Range:items=200-399 --> X-Range:items=400-599
网站是这样说的:
- 第 1 页:45999 个结果中的 1 - 200 个(但 0-199 个帖子,上面未显示)
- 第 2 页:45999 个结果中的 201 - 400 个(但帖子为 200-399,见上文)
- 第 3 页:45999 个结果中的 401 - 600 个(但 400-599 个帖子,见上文)
我对阅读这些 POST 请求的知识零。不过我想应该有办法说:
requests.post(some url) and extract the total page numbers (or number of genomes and devide these by the max number per page, which is 200 see post requests).
然后是这样的:
for page_numb in range(page_numbers):
r = requests.post(some_url...... + page_numb)
#extract the information from the table
最后的问题:) 我不知道如何设置像
这样的 POST 请求p1 = requests.post(https://www.patricbrc.org/api/genome/... 0-199)
p2 = requests.post(https://www.patricbrc.org/api/genome/... 200-399)
etc...
(并且我希望回复中包含由一些分隔符分隔的表格数据)
我试过的代码:
import requests
import json
url = 'https://www.patricbrc.org/api/genome/'
payload = {"eq(taxon_lineage_ids,2)&eq(host_name,%22Human%2C%20Homo%20sapiens%22)&sort(-score)"}
headers = {
"X-Range": "items=0-199",
"Range": "items=0-199",
"content-type": "application/json"}
r = requests.post(url, data=json.dumps(payload), headers=headers)
print(r)
这段代码不起作用,但我想应该是这样的。
我知道我应该将有效负载作为 JSON 发布,但我不知道如何将 eq(taxon_lineage_ids,2)&eq(host_name,%22Human%2C%20Homo%20sapiens%22)&sort(-score) 转换为 JSON,它是键:值对。
【问题讨论】:
-
从标题
Content-Range你可以提取总项目,通过定义标题X-Range和Range你可以请求一个特定的页面。 -
您能否举个例子回答一下,那太好了(正如我所说,我对创建这样的请求一无所知)@sKwa 此外,还应该使用请求有效负载,因为有一个过滤“人类”
-
查看我添加的代码,我认为它应该是这样的,但它不起作用:( @sKwa
-
正确的方向,但应该分两步完成:第一步——获取一个Cookie,之后用一个Cookie获取数据。我会尝试展示它,但稍后。
-
那就太好了!我有点理解这一点,但使用 cookie 可能超出了我的想象。 @sKwa
标签: python post web-scraping request response