2024年最新学会Python3模拟登录并爬取表格数据！excel高手也自叹不如！

不管三七二十一， post 一下试试看

import requests

url = ‘https://www.ctic.org/crm?tdsourcetag=s_pctim_aiomsg’

headers = {‘user-agent’: 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) ’

'AppleWebKit/537.36 (KHTML, like Gecko) ’

‘Chrome/74.0.3729.131 Safari/537.36’,

‘Host’: ‘www.ctic.org’}

data = {‘_csrf’: ‘SjFKLWxVVkkaSRBYQWYYCA1TMG8iYR8ReUYcSj04Jh4EBzIdBGwmLw==’,

‘CRMSearchForm[year]’: ‘2011’,

‘CRMSearchForm[format]’: ‘Acres’,

‘CRMSearchForm[area]’: ‘County’,

‘CRMSearchForm[region]’: ‘Midwest’,

‘CRMSearchForm[state]’: ‘IL’,

‘CRMSearchForm[county]’: ‘Adams’,

‘CRMSearchForm[crop_type]’: ‘All’,

‘summary’: ‘county’}

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

print(response.status_code)

果不其然，输出 400 ……我猜这就是传说中的 cookies 在搞鬼吗？《Python3网络爬虫实战》只看到第6章的我不禁有些

心虚 跃跃欲试呢！

首先，我搞不清 cookies 具体是啥，只知道它是用来维持会话的，应该来自于第一次 get ，搞出来看看先：

response1 = requests.get(url, headers=headers)

if response1.status_code == 200:

cookies = response1.cookies

print(cookies)

输出：

<RequestsCookieJar[

Nah，看不懂，不看不管，直接把它放到 post 里试试

response2 = requests.post(url, data=data, headers=headers, cookies=cookies)

print(response2.status_code)

还是 400 ，气氛突然变得有些焦灼，我给你 cookies 了啊，你还想要啥？！

突然，我发现一件事： post 请求所带的 data 中那个一开始就显得很可疑的 _csrf 我仿佛在哪儿见过？

那个我完全看不懂的 cookies 里好像就有一个 _csrf 啊！但是两个 _csrf 的值很明显结构不一样，试了一下把 data 里的 _csrf 换成 cookies 里的 _csrf 确实也不行。

但是我逐渐有了一个想法：这个两个 _csrf 虽然不相等，但是应该是匹配的，我刚刚的 data 来自浏览器， cookies 来自python程序，所以不匹配！

于是我又点开浏览器的DevTools，Ctrl+F搜索了一下，嘿嘿，发现了：

和

这三处。

第一处那里的下一行的 csrf_token 很明显就是 post 请求所带的 data 里的 _csrf ，另外两个是js里的函数，虽然js没好好学但也能看出来这俩是通过 post 请求获得州名和县名的，Binggo！一下子解决两个问题。

为了验证我的猜想，我打算先直接用requests获取点击 View Summary 前的页面的HTML和 cookies ，将从HTML中提取的 csrf_token 值作为点击 View Summary 时 post 请求的 data 里的 _csrf 值，同时附上 cookies ，这样两处 _csrf 就应该是匹配的了：

from lxml import etree

response1 = requests.get(url, headers=headers)

cookies = response1.cookies

html = etree.HTML(response1.text)

csrf_token = html.xpath(‘/html/head/meta[3]/@content’)[0]

data.update({‘_csrf’: csrf_token})

response2 = requests.post(url, data=data, headers=headers, cookies=cookies)

print(response2.status_code)

输出 200 ，虽然和Chrome显示的 302 不一样，但是也表示成功，那就不管了。把 response2.text 写入html文件打开看是这样：

Yeah，数据都在！说明我的猜想是对的！那一会再试试我从没用过的 requests.Session() 维持会话，自动处理 cookies 。

尝试pandas库提取网页表格

现在既然已经拿到了目标页面的HTML，那在获取所有年、地区、州名、县名之前，先测试一下 pandas.read_html 提取网页表格的功能。

pandas.read_html 这个函数时在写代码时IDE自动补全下拉列表里瞄到的，一直想试试来着，今天乘机拉出来溜溜：

import pandas as pd

df = pd.read_html(response2.text)[0]

print(df)

输出：

Yeah！拿到了，确实比自己手写提取方便，而且数值字符串自动转成数值，优秀！

准备所有参数

接下来要获取所有年、地区、州名、县名。年份和地区是写死在HTML里的，直接xpath获取：

州名、县名根据之前发现的两个js函数，要用 post 请求来获得，其中州名要根据地区名获取，县名要根据州名获取，套两层循环就行

def new():

session = requests.Session()

response = session.get(url=url, headers=headers)

html = etree.HTML(response.text)

return session, html

session, html = new()

years = html.xpath(‘//*[@id=“crmsearchform-year”]/option/text()’)

regions = html.xpath(‘//*[@id=“crmsearchform-region”]/option/text()’)

_csrf = html.xpath(‘/html/head/meta[3]/@content’)[0]

region_state = {}

state_county = {}

for region in regions:

data = {‘region’: region, ‘_csrf’: _csrf}

response = session.post(url_state, data=data)

html = etree.HTML(response.json())

region_state[region] = {x: y for x, y in

zip(html.xpath(‘//option/@value’),

html.xpath(‘//option/text()’))}

for state in region_state[region]:

data = {‘state’: state, ‘_csrf’: _csrf}

response = session.post(url_county, data=data)

html = etree.HTML(response.json())

state_county[state] = html.xpath(‘//option/@value’)

啧啧，使用 requests.Session 就完全不需要自己管理 cookies 了，方便！具体获得的州名县名就不放出来了，实在太多了。然后把所有年、地区、州名、县名的可能组合先整理成csv文件，一会直接从csv里读取并构造 post 请求的 data 字典：

remain = [[str(year), str(region), str(state), str(county)]

for year in years for region in regions

for state in region_state[region] for county in state_county[state]]

remain = pd.DataFrame(remain, columns=[‘CRMSearchForm[year]’,

‘CRMSearchForm[region]’,

‘CRMSearchForm[state]’,

‘CRMSearchForm[county]’])

remain.to_csv(‘remain.csv’, index=False)

由于州名有缩写和全称，也本地保存一份

import json

with open(‘region_state.json’, ‘w’) as json_file:

json.dump(region_state, json_file, indent=4)

我看了一下，一共49473行——也就是说至少要发送49473个 post 请求才能爬完全部数据，纯手工获取的话大概要点击十倍这个数字的次数……

正式开始

那么开始爬咯

import pyodbc

with open(“region_state.json”) as json_file:

region_state = json.load(json_file)

data = pd.read_csv(‘remain.csv’)

读取已经爬取的

cnxn = pyodbc.connect(‘DRIVER={Microsoft Access Driver (*.mdb, *.accdb)};’

‘DBQ=./ctic_crm.accdb’)

crsr = cnxn.cursor()

crsr.execute(‘select Year_, Region, State, County from ctic_crm’)

done = crsr.fetchall()

done = [list(x) for x in done]

done = pd.DataFrame([list(x) for x in done], columns=[‘CRMSearchForm[year]’,

‘CRMSearchForm[region]’,

‘CRMSearchForm[state]’,

‘CRMSearchForm[county]’])

感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：

①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！