Invia dati tramite modulo web ed estrai i risultati

Question

Il mio livello Python è Novizio. Non ho mai scritto un web scraper o crawler. Ho scritto un codice Python per connettermi ad un API ed estrarre i dati che voglio. Ma per alcuni dati estratti voglio ottenere il sesso dell'autore. Ho trovato questo sito web http://bookblog.net/gender/genie.php, ma lo svantaggio è che non esiste una API disponibile. Mi chiedevo come scrivere un python per inviare dati al modulo nella pagina ed estrarre i dati di ritorno. Sarebbe di grande aiuto se potessi avere una guida su questo.

Questa è la forma dom:

<form action="analysis.php" method="POST"> 
<textarea cols="75" rows="13" name="text"></textarea> 
<div class="copyright">(NOTE: The genie works best on texts of more than 500 words.)</div> 
<p> 
<b>Genre:</b> 
<input type="radio" value="fiction" name="genre"> 
fiction&nbsp;&nbsp; 
<input type="radio" value="nonfiction" name="genre"> 
nonfiction&nbsp;&nbsp; 
<input type="radio" value="blog" name="genre"> 
blog entry 
</p> 
<p> 
</form> 

risultati pagina dom:

<p> 
<b>The Gender Genie thinks the author of this passage is:</b> 
male! 
</p> 

Answer 1

Non è necessario utilizzare mechanize, è sufficiente inviare i dati del modulo corretti in una richiesta POST.

Inoltre, l'uso di espressioni regolari per analizzare HTML è una cattiva idea. Faresti meglio a usare un parser HTML come lxml.html.

import requests 
import lxml.html as lh 


def gender_genie(text, genre): 
    url = 'http://bookblog.net/gender/analysis.php' 
    caption = 'The Gender Genie thinks the author of this passage is:' 

    form_data = { 
     'text': text, 
     'genre': genre, 
     'submit': 'submit', 
    } 

    response = requests.post(url, data=form_data) 

    tree = lh.document_fromstring(response.content) 

    return tree.xpath("//b[text()=$caption]", caption=caption)[0].tail.strip() 


if __name__ == '__main__': 
    print gender_genie('I have a beard!', 'blog') 

Answer 2

È possibile utilizzare mechanize, vedere examples per i dettagli.

from mechanize import ParseResponse, urlopen, urljoin 

uri = "http://bookblog.net" 

response = urlopen(urljoin(uri, "/gender/genie.php")) 
forms = ParseResponse(response, backwards_compat=False) 
form = forms[0] 

#print form 

form['text'] = 'cheese' 
form['genre'] = ['fiction'] 

print urlopen(form.click()).read() 

Answer 3

È possibile utilizzare mechanize per inviare e recuperare il contenuto, e il modulo re per ottenere quello che vuoi. Ad esempio, lo script seguente lo fa per il testo della tua stessa domanda:

import re 
from mechanize import Browser 

text = """ 
My python level is Novice. I have never written a web scraper 
or crawler. I have written a python code to connect to an api and 
extract the data that I want. But for some the extracted data I want to 
get the gender of the author. I found this web site 
http://bookblog.net/gender/genie.php but downside is there isn't an api 
available. I was wondering how to write a python to submit data to the 
form in the page and extract the return data. It would be a great help 
if I could get some guidance on this.""" 

browser = Browser() 
browser.open("http://bookblog.net/gender/genie.php") 

browser.select_form(nr=0) 
browser['text'] = text 
browser['genre'] = ['nonfiction'] 

response = browser.submit() 

content = response.read() 

result = re.findall(
    r'<b>The Gender Genie thinks the author of this passage is:</b> (\w*)!', content) 

print result[0] 

Che cosa fa? Esso crea un mechanize.Browser e va all'URL data:

browser = Browser() 
browser.open("http://bookblog.net/gender/genie.php") 

Poi si seleziona la forma (in quanto non v'è un solo modulo da riempire, sarà il primo):

browser.select_form(nr=0) 

Inoltre, imposta le voci del modulo ...

browser['text'] = text 
browser['genre'] = ['nonfiction'] 

... e inviarlo:

response = browser.submit() 

Ora, otteniamo il risultato:

content = response.read() 

Sappiamo che il risultato è in forma:

<b>The Gender Genie thinks the author of this passage is:</b> male! 

quindi si crea un'espressione regolare per la corrispondenza e utilizzare re.findall():

result = re.findall(
    r'<b>The Gender Genie thinks the author of this passage is:</b> (\w*)!', 
    content) 

Ora il risultato è disponibile per l'uso:

print result[0]