Python网页抓取美丽汤

Question

我可以毫无问题地刮擦此站点表； 但是，要访问我自定义的表，我需要先登录然后抓取，因为如果没有，我将获得默认输出。 我觉得我已经接近了，但是我对python还是比较陌生的。 期待更多地了解机械化和BeautifulSoup。

如果我故意在下面输入错误的密码，我会收到“错误的密码”错误，这似乎可以正确登录，但是如何将登录名连接到要抓取的网址？

from bs4 import BeautifulSoup
import urllib
import csv
import mechanize
import cookielib

cj = cookielib.CookieJar()
br = mechanize.Browser()
br.set_cookiejar(cj)
br.open("http://www.barchart.com/login.php")

br.select_form(nr=0)
br.form['email'] = 'username'
br.form['password'] = 'password'
br.submit()

#print br.response().read()

r = urllib.urlopen("http://www.barchart.com/stocks/sp500.php?view=49530&_dtp1=0").read()

soup = BeautifulSoup(r, "html.parser")

tables = soup.find("table", attrs={"class" : "datatable ajax"})

headers = [header.text for header in tables.find_all('th')]

rows = []

for row in tables.find_all('tr'):
    rows.append([val.text.encode('utf8') for val in row.find_all('td')])


with open('snp.csv', 'wb') as f:
    writer = csv.writer(f)
    writer.writerow(headers)
    writer.writerows(row for row in rows if row)

#from pymongo import MongoClient
#import datetime
#client = MongoClient('localhost', 27017)

print soup.table.get_text()

Answer 1

我不确定您实际上是否需要登录才能检索到问题中的URL。 无论是否登录，我都会得到相同的结果。

但是，如果确实需要登录才能访问其他数据，则问题将是您使用mechanize登录，然后使用urllib.urlopen()访问该页面。 两者之间没有任何联系，因此， mechanize收集的任何会话数据在发出请求时都无法用于urlopen 。

在这种情况下，您无需使用urlopen()因为您可以打开URL并使用mechanize访问HTML：

r = br.open("http://www.barchart.com/stocks/sp500.php?view=49530&_dtp1=0")
soup = BeautifulSoup(r.read(), "html.parser")