通过网络表单提交数据并提取结果

Question

我的python级别是新手。我从来没有写过网络爬虫或爬虫。我已经编写了一个 python 代码来连接到一个 api 并提取我想要的数据。但是对于一些提取的数据，我想得到作者的性别。我找到了这个网站http://bookblog.net/gender/genie.php，但缺点是没有可用的 api。我想知道如何编写一个python来向页面中的表单提交数据并提取返回数据。如果我能在这方面得到一些指导，那将是一个很大的帮助。

这是 dom 的形式：

<form action="analysis.php" method="POST">
<textarea cols="75" rows="13" name="text"></textarea>
<div class="copyright">(NOTE: The genie works best on texts of more than 500 words.)</div>
<p>
<b>Genre:</b>
<input type="radio" value="fiction" name="genre">
fiction&nbsp;&nbsp;
<input type="radio" value="nonfiction" name="genre">
nonfiction&nbsp;&nbsp;
<input type="radio" value="blog" name="genre">
blog entry
</p>
<p>
</form>

结果页面 dom：

<p>
<b>The Gender Genie thinks the author of this passage is:</b>
male!
</p>

Answer 1

无需使用 mechanize，只需在 POST 请求中发送正确的表单数据即可。

另外，使用正则表达式解析 HTML 是一个坏主意。最好使用像 lxml.html 这样的 HTML 解析器。

import requests
import lxml.html as lh


def gender_genie(text, genre):
    url = 'http://bookblog.net/gender/analysis.php'
    caption = 'The Gender Genie thinks the author of this passage is:'

    form_data = {
        'text': text,
        'genre': genre,
        'submit': 'submit',
    }

    response = requests.post(url, data=form_data)

    tree = lh.document_fromstring(response.content)

    return tree.xpath("//b[text()=$caption]", caption=caption)[0].tail.strip()


if __name__ == '__main__':
    print gender_genie('I have a beard!', 'blog')

Answer 2

您可以使用mechanize 提交和检索内容，并使用re 模块获取您想要的内容。例如，下面的脚本为您自己的问题文本执行此操作：

import re
from mechanize import Browser

text = """
My python level is Novice. I have never written a web scraper 
or crawler. I have written a python code to connect to an api and 
extract the data that I want. But for some the extracted data I want to 
get the gender of the author. I found this web site 
http://bookblog.net/gender/genie.php but downside is there isn't an api 
available. I was wondering how to write a python to submit data to the 
form in the page and extract the return data. It would be a great help 
if I could get some guidance on this."""

browser = Browser()
browser.open("http://bookblog.net/gender/genie.php")

browser.select_form(nr=0)
browser['text'] = text
browser['genre'] = ['nonfiction']

response = browser.submit()

content = response.read()

result = re.findall(
    r'<b>The Gender Genie thinks the author of this passage is:</b> (\w*)!', content)

print result[0]

它有什么作用？它会创建一个mechanize.Browser 并转到给定的 URL：

browser = Browser()
browser.open("http://bookblog.net/gender/genie.php")

然后它选择表格（因为只有一个表格要填写，所以它将是第一个）：

browser.select_form(nr=0)

此外，它还设置表单的条目...

browser['text'] = text
browser['genre'] = ['nonfiction']

...并提交：

response = browser.submit()

现在，我们得到了结果：

content = response.read()

我们知道结果是这样的：

<b>The Gender Genie thinks the author of this passage is:</b> male!

所以我们创建一个正则表达式进行匹配并使用re.findall()：

result = re.findall(
    r'<b>The Gender Genie thinks the author of this passage is:</b> (\w*)!',
    content)

现在结果可供您使用：

print result[0]

Answer 3

您可以使用mechanize，详情请参阅examples。

from mechanize import ParseResponse, urlopen, urljoin

uri = "http://bookblog.net"

response = urlopen(urljoin(uri, "/gender/genie.php"))
forms = ParseResponse(response, backwards_compat=False)
form = forms[0]

#print form

form['text'] = 'cheese'
form['genre'] = ['fiction']

print urlopen(form.click()).read()