怎么用Python采集整站表格数据

这篇文章主要讲解了“怎么用Python采集整站表格数据”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“怎么用Python采集整站表格数据”吧！

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': 'SjFKLWxVVkkaSRBYQWYYCA1TMG8iYR8ReUYcSj04Jh5EBzIdBGwmLw==',         '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=52asgghnqsntitqd7c8dqesgh7 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。

感谢各位的阅读，以上就是“怎么用Python采集整站表格数据”的内容了，经过本文的学习后，相信大家对怎么用Python采集整站表格数据这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是亿速云，小编将为大家推送更多相关知识点的文章，欢迎关注！