USPTO 网站抓取的 Python 发布请求

Question

我正在尝试从 http://portal.uspto.gov/EmployeeSearch/ 中抓取数据网站。 我在浏览器中打开网站，点击网站“按组织搜索”部分中的“搜索”按钮，查找发送到服务器的请求。

当我在我的程序中使用 python 请求库发布相同的请求时，我没有得到我期望的结果页面，但我得到了相同的搜索页面，上面没有员工数据。 我已经尝试了所有变体，似乎没有任何效果。

我的问题是，我应该在我的请求中使用什么 URL，我是否需要指定 header (也尝试过，根据请求在 Firefox 开发人员工具中查看复制的 header )或其他东西？

下面是发送请求的代码:

import requests
from bs4 import BeautifulSoup

def scrape_employees():
    URL = 'http://portal.uspto.gov/EmployeeSearch/searchEm.do;jsessionid=98BC24BA630AA0AEB87F8109E2F95638.prod_portaljboss4_jvm1?action=displayResultPageByOrgShortNm&currentPage=1'

    response = requests.post(URL)

    site_data = response.content
    soup = BeautifulSoup(site_data, "html.parser")
    print(soup.prettify())


if __name__ == '__main__':
scrape_employees()

Answer 1

您需要的所有数据都在 form 标签中:

action 是您向服务器发帖时的 url。

input 是您需要发送到服务器的数据。 {名称:值}

import requests, bs4, urllib.parse,re

def make_soup(url):
    r = requests.get(url)
    soup = bs4.BeautifulSoup(r.text, 'lxml')
    return soup

def get_form(soup):
    form = soup.find(name='form', action=re.compile(r'OrgShortNm'))
    return form

def get_action(form, base_url):
    action = form['action']
    # action is reletive url, convert it to absolute url
    abs_action = urllib.parse.urljoin(base_url, action)
    return abs_action

def get_form_data(form, org_code):
    data = {}
    for inp in form('input'):
        # if the value is None, we put the org_code to this field
        data[inp['name']] = inp['value'] or org_code

    return data

if __name__ == '__main__':
    url = 'http://portal.uspto.gov/EmployeeSearch/'
    soup = make_soup(url)
    form = get_form(soup)
    action = get_action(form, url)
    data = get_form_data(form, '1634')

    # make request to the action using data

    r = requests.post(action, data=data)