Python：如何填写网络表单并获取生成的页面源

Question

我正在尝试编写一个python 脚本，它将抓取http://www.fakenewsai.com/ 并告诉我一篇新闻文章是否是假新闻。我希望脚本将给定的新闻文章输入网站的url 输入字段并点击submit 按钮。然后，我想对网站进行抓取，以确定该文章是“假”新闻还是“真实”新闻，与网站上显示的一样。

我使用selenium 和ChromeDriver 成功地完成了这项工作，但是脚本非常慢（> 2 分钟）并且没有在Heroku 上运行（使用flask）。作为参考，这是我使用的代码：

from selenium import webdriver
import time

def fakeNews(url):
  if url.__contains__("https://"):
    url = url[8:-1]
  if url.__contains__("http://"):
    url = url[7:-1]
  browser = webdriver.Chrome("static/chromedriver.exe")
  browser.get("http://www.fakenewsai.com")
  element = browser.find_element_by_id("url")
  element.send_keys(url)
  button = browser.find_element_by_id("submit")
  button.click()
  time.sleep(1)
  site = "" + browser.page_source
  result = ""
  if(site[site.index("opacity: 1")-10] == "e"):
    result = "Fake News"
  else:
    result = "Real News"
  browser.quit()
  return result

print(fakeNews('https://www.nytimes.com/2019/11/02/opinion/sunday/instagram-social-media.html'))

我尝试使用其他python 库来复制此代码，例如mechanicalsoup、pyppeteer 和scrapy。但是，作为python 的初学者，我并没有取得多大的成功。我希望有人可以通过解决方案为我指明正确的方向。

Answer 1

出于所述目的，在我看来，分析网站、了解其功能然后自动化浏览器行为而不是用户行为会更简单。

在网站上尝试在浏览器上按 F12，打开“网络”选项卡，在输入框中粘贴 URL，然后单击“提交”，您会看到它发送 HTTP OPTIONS 请求，然后向 URL 发送 POST 请求.然后服务器返回一个 JSON 响应作为结果。

因此，您可以使用 Python 的请求模块 (docs) 自动执行 POST 请求，而不是使用非常复杂的代码来模拟点击和抓取结果。

您可以在此基础上构建一个非常简单的示例：

import json
import requests


def fake_news():
    url = 'https://us-central1-fake-news-ai.cloudfunctions.net/detect/'
    payload = {'url': 'https://www.nytimes.com/'}
    headers = {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate, br', 'Accept-Language': 'en-US,en;q=0.5',
               'Connection': 'keep-alive', 'Content-Length': '103', 'Content-type': 'application/json; charset=utf-8',
               'DNT': '1', 'Host': 'us-central1-fake-news-ai.cloudfunctions.net', 'Origin': 'http://www.fakenewsai.com',
               'Referer': 'http://www.fakenewsai.com/', 'TE': 'Trailers',
               'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:70.0) Gecko/20100101 Firefox/70.0'}

    response_json = requests.post(url, data=json.dumps(payload), headers=headers).text
    response = json.loads(response_json)
    is_fake = int(response['fake'])

    if is_fake == 0:
        print("Not fake")
    elif is_fake == 1:
        print("Fake")
    else:
        print("Invalid response from server")


if __name__ == "__main__":
    fake_news()

PS：与网站所有者联系以讨论将他或她的基础架构用于您的项目是公平的。

Answer 2

主要的减速发生在启动 chrome 浏览器并找到第一个 URL 时。 请注意，您正在为每个请求启动一个浏览器。 您可以在初始化步骤中启动浏览器，并且只执行每个请求的自动化部分。 这将大大提高性能。