- android - RelativeLayout 背景可绘制重叠内容
- android - 如何链接 cpufeatures lib 以获取 native android 库?
- java - OnItemClickListener 不起作用,但 OnLongItemClickListener 在自定义 ListView 中起作用
- java - Android 文件转字符串
我正在尝试从 aspx 页面抓取图像我有这段代码可以从普通网页抓取图像但无法抓取 aspx 页面因为我需要将 http post 请求发送到 aspx 页面我即使阅读了几个线程也无法弄清楚如何做到这一点这是原始代码
from bs4 import BeautifulSoup as bs
import urlparse
import urllib2
from urllib import urlretrieve
import os
import sys
import subprocess
import re
def thefunc(url, out_folder):
c = False
我已经为aspx页面定义了headers和一个区分普通页面和aspx页面的if语句
select = raw_input('Is this a .net aspx page ? y/n : ')
if select.lower().startswith('y'):
usin = raw_input('Specify origin of .net page : ')
usaspx = raw_input('Specify aspx page url : ')
aspx 页面的页眉
headdic = {
'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Origin': usin,
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.17 (KHTML, like Gecko) Chrome/24.0.1312.57 Safari/537.17',
'Content-Type': 'application/x-www-form-urlencoded',
'Referer': usaspx,
'Accept-Encoding': 'gzip,deflate,sdch',
'Accept-Language': 'en-US,en;q=0.8',
'Accept-Charset': 'ISO-8859-1,utf-8;q=0.7,*;q=0.3'
}
c = True
if c:
req = urllib2.Request(url, headers=headic)
else:
req = urllib2.Request(url, headers={'User-Agent' : "Magic Browser"})
resp = urllib2.urlopen(req)
soup = bs(resp, 'lxml')
parsed = list(urlparse.urlparse(url))
print '\n',len(soup.findAll('img')), 'images are about to be downloaded'
for image in soup.findAll("img"):
print "Image: %(src)s" % image
filename = image["src"].split("/")[-1]
parsed[2] = image["src"]
outpath = os.path.join(out_folder, filename)
try:
if image["src"].lower().startswith("http"):
urlretrieve(image["src"], outpath)
else:
urlretrieve(urlparse.urlunparse(parsed), outpath)
except:
print 'OOPS missed one for some reason !!'
pass
try:
put = raw_input('Please enter the page url : ')
reg1 = re.compile('^http*',re.IGNORECASE)
reg1.match(put)
except:
print('Type the url carefully !!')
sys.exit()
fol = raw_input('Enter the foldername to save the images : ')
if os.path.isdir(fol):
thefunc(put, fol)
else:
subprocess.call('mkdir', fol)
thefunc(put, fol)
我对 aspx 检测和创建 aspx 页面的 header 做了一些修改,但是接下来如何修改我被困在这里
***这里是aspx页面链接***
http://www.foxrun.com.au/Products/Cylinders_with_Gadgets.aspx
抱歉,如果我不清楚,你可以看到我是编程新手,我想问的是当我单击下一页时如何获取从 aspx 页面获取的图像浏览器中的按钮导致如果我只能抓取一个页面导致 url 不会更改,除非我以某种方式发送 http 帖子告诉页面显示带有新图片的下一页,因为 url 保持不变我希望我清楚
最佳答案
您可以使用请求通过将正确的数据发布到 url 来完成,您可以从初始页面解析这些数据:
import requests
from bs4 import BeautifulSoup
from urlparse import urljoin
from itertools import chain
url = "http://www.foxrun.com.au/Products/Cylinders_with_Gadgets.aspx"
def validate(soup):
return {"__VIEWSTATE": soup.select_one("#__VIEWSTATE")["value"],
"__VIEWSTATEGENERATOR": soup.select_one("#__VIEWSTATEGENERATOR")["value"],
"__EVENTVALIDATION": soup.select_one("#__EVENTVALIDATION")["value"]}
def parse(base, url):
data = {"__ASYNCPOST": "true"
}
h = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.17 (KHTML, like Gecko) Chrome/24.0.1312.57 Safari/537.17'}
soup = BeautifulSoup(requests.get(url).text)
data.update(validate(soup))
# gets links for < 1,2,3,4,5,6>
pages = [a["id"] for a in soup.select("a[id^=ctl01_ctl00_pbsc1_pbPagerBottom_btnP]")][2:]
# get images from initial page
yield [img["src"] for img in soup.select("img")]
# add token for post
data.update(validate(soup))
for p in pages:
# we need $ in place of _ for the form data
data["__EVENTTARGET"] = p.replace("_", "$")
data["RadScriptManager1"] = "ctl01$ctl00$pbsc1$ctl01$ctl00$pbsc1$ajaxPanel1Panel|{}".format(p.replace("_", "$"))
r = requests.post(url, data=data, headers=h).text
soup = BeautifulSoup(r)
yield [urljoin(base, img["src"]) for img in soup.select("img")]
for url in chain.from_iterable(parse("http://www.foxrun.com.au/", url)):
print(url)
这将为您提供链接,您只需下载内容并将其写入文件即可。通常我们可以创建一个 Session 并从一页转到下一页,但在这种情况下,发布的内容是 ctl01$ctl00$pbsc1$pbPagerBottom$btnNext
这将正常工作从初始页到第二页,但没有从第二页到第三页等的概念。因为我们在表单数据中没有页码。
关于python - 如何从 aspx 页面抓取图像?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37393171/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!