使用 Python Mechanize 对 aspx 进行屏幕美化 - Javascript 表单提交

Question

我正在尝试抓取英国食品评级机构数据 aspx 搜索结果页面（例如 http:// ratings.food.gov.uk/QuickSearch.aspx?q=po30 ）在 scraperwiki 上使用 Mechanize/Python ( http://scraperwiki.com/scrapers/food_standards_agency/ ），但在尝试遵循以下形式的“下一页”链接时遇到问题：

<input type="submit" name="ctl00$ContentPlaceHolder1$uxResults$uxNext" value="Next >" id="ctl00_ContentPlaceHolder1_uxResults_uxNext" title="Next >" />

表单处理程序如下所示：

<form method="post" action="QuickSearch.aspx?q=po30" onsubmit="javascript:return WebForm_OnSubmit();" onkeypress="javascript:return WebForm_FireDefaultButton(event, 'ctl00_ContentPlaceHolder1_buttonSearch')" id="aspnetForm">
<input type="hidden" name="__EVENTTARGET" id="__EVENTTARGET" value="" />
<input type="hidden" name="__EVENTARGUMENT" id="__EVENTARGUMENT" value="" />
<input type="hidden" name="__LASTFOCUS" id="__LASTFOCUS" value="" />

当我手动单击“下一步”链接时，HTTP 跟踪显示 __EVENTTARGET 为空？我在其他抓取工具上找到的所有婴儿床都显示了 __EVENTTARGET 的操作作为处理下一页的方式。

事实上，我不确定我想要抓取的页面如何加载下一页？无论我向抓取工具扔什么，它都只能加载第一个结果页面。 （即使能够更改每页结果的数量也会很有用，但我也不知道如何做到这一点！）

那么 - 关于如何抓取第 1+N 个结果页面 N>0 的任何想法？

Answer 1

Mechanize 不处理 javascript，但对于这种特殊情况，不需要它。

首先我们用 mechanize 打开结果页面

url = 'http://ratings.food.gov.uk/QuickSearch.aspx?q=po30'
br = mechanize.Browser()
br.set_handle_robots(False)
br.addheaders = [('User-agent', 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.1) Gecko/2008071615 Fedora/3.0.1-1.fc9 Firefox/3.0.1')]
br.open(url)
response = br.response().read()

然后我们选择 aspnet 表单：

br.select_form(nr=0) #Select the first (and only) form - it has no name so we reference by number

该表单有 5 个提交按钮 - 我们想要提交一个将我们带到下一个结果页面的按钮：

response = br.submit(name='ctl00$ContentPlaceHolder1$uxResults$uxNext').read()  #"Press" the next submit button

表单中的其他提交按钮是：

ctl00$uxLanguageSwitch # Switch language to Welsh
ctl00$ContentPlaceHolder1$uxResults$Button1 # Search submit button
ctl00$ContentPlaceHolder1$uxResults$uxFirst # First result page
ctl00$ContentPlaceHolder1$uxResults$uxPrevious # Previous result page
ctl00$ContentPlaceHolder1$uxResults$uxLast # Last result page

在 mechanize 中，我们可以获取这样的表单信息：

for form in br.forms():
    print form

Answer 2

Mechanicalize 不处理 JavaScript。

然而，有很多方法可以处理这个问题，包括 QtWebKit , python-spidermonkey, HtmlUnit（使用 Jython），或 SeleniumRC。

以下是如何使用 SeleniumRC 完成此操作：

import selenium
sel=selenium.selenium("localhost",4444,"*firefox", "http://ratings.food.gov.uk")   
sel.start()
sel.open("QuickSearch.aspx?q=po30")
sel.click('ctl00$ContentPlaceHolder1$uxResults$uxNext')

另请参阅这些相关的 SO 问题：

1. 如何单击包含
   JavaScript
2. 单击其中的 JavaScript 链接
   Python