一个（大概是基本的）网页抓取http://www.ssa.gov/cgibin/popularnames.cgi在urllib中

Question

我对Python（和web抓取）很陌生。让我问你一个问题。在

实际上，许多网站并不在Firefox或其他浏览器中报告其特定的url。例如，社会保险管理显示流行的婴儿名字和等级（从1880年开始），但当我把年份从1880年改为1881年时，网址没有改变。它是不断的

http://www.ssa.gov/cgi-bin/popularnames.cgi

因为我不知道具体的网址，我无法下载网页使用urllib。在

在此页面源中，它包括：

<input type="text" name="year" id="yob" size="4" value="1880">

所以假设，如果我能控制这个“年”值（比如“1881”或“1991”），我就可以处理这个问题。我说得对吗？我还是不知道怎么做。在

有谁能告诉我解决这个问题的办法吗？在

如果你知道一些有助于我学习的网站，请告诉我。在

谢谢！在

Answer 1

您仍然可以使用urllib。该按钮执行对当前url的发布。使用Firefox的Firebug我查看了网络流量，发现它们发送了3个参数：member，top，和{}。您可以发送相同的参数：

import urllib
url = 'http://www.ssa.gov/cgi-bin/popularnames.cgi'

post_params = { # member was blank, so I'm excluding it.
    'top'  : '25',
    'year' : year
    }
post_args = urllib.urlencode(post_params)

现在，只需发送url编码的参数：

^{pr2}$

如果您还需要发送邮件头：

headers = {
    'Accept' : 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language' : 'en-US,en;q=0.5',
    'Connection' : 'keep-alive',
    'Host' : 'www.ssa.gov',
    'Referer' : 'http://www.ssa.gov/cgi-bin/popularnames.cgi',
    'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0'
    }

# With POST data:
urllib.urlopen(url, post_args, headers)

在循环中执行代码：

for year in xrange(1880, 2014):
    # The above code...