Python Mechanize follow_link не работает

Question

Я пытаюсь получить доступ к результатам поиска на странице поиска изображений NCBI (http://www.ncbi.nlm.nih.gov/images) в сценарии. Я хочу указать ему поисковый запрос, сообщить обо всех результатах, а затем перейти к следующему поисковому запросу.Для этого мне нужно попасть на страницу результатов после первой страницы, поэтому я пытаюсь использовать python mechanize, чтобы сделать это:

import mechanize
browser=mechanize.Browser()
page1=browser.open('http://www.ncbi.nlm.nih.gov/images?term=drug')
a=browser.links(text_regex='Next')
nextlink=a.next()
page2=browser.follow_link(nextlink)

Это просто возвращает мне первую страницу результатов поиска снова(в переменной page2.) Что я делаю не так, и как я могу попасть на эту вторую страницу и дальше?

Answer 1

К сожалению, эта страница использует Javascript для отправки 2459 байтов переменных формы на сервер, просто для перехода на следующую страницу. Вот несколько переменных (всего насчитывается 38 переменных):

EntrezSystem2.PEntrez.ImagesDb.Images_SearchBar.Term=drug
EntrezSystem2.PEntrez.ImagesDb.Images_SearchBar.CurrDb=images
EntrezSystem2.PEntrez.ImagesDb.Images_ResultsPanel.Entrez_Pager.CurrPage=2

Вам нужно будет создать POST-запрос к серверу, содержащему некоторые или все эти переменные. К счастью, если вы работаете на странице 2, вы можете просто увеличить CurrPage и отправить еще один POST для получения каждой последующей страницы результатов (не нужно извлекать ссылки).

Обновление - Этот сайт - полная боль в заднице, но вот POST-основанная проверка 2-N страниц. Установите MAX_PAGE на самый высокий номер страницы + 1. Сценарий выдаст файлы, подобные file_000003.html.

Примечание : перед использованием его необходимо заменить POSTDATA содержимым этого BLOB-объекта вставки (срок действия которого истекает через 1 месяц). Это просто тело POST-запроса, полученное Firebug, которое я использую для заполнения правильных параметров:

import cookielib
import json
import mechanize
import sys
import urllib
import urlparse

MAX_PAGE = 6
TERM = 'drug'
DEBUG = False

base_url = 'http://www.ncbi.nlm.nih.gov/images?term=' + TERM
browser = mechanize.Browser()
browser.set_handle_robots(False)
browser.set_handle_referer(True)
browser.set_debug_http(DEBUG)
browser.set_debug_responses(DEBUG)
cjar = cookielib.CookieJar()
browser.set_cookiejar(cjar)

# make first GET request. this will populate the cookie
res = browser.open(base_url)

def write(num, data):
    with open('file_%06d.html' % num, 'wb') as out:
        out.write(data)

def encode(kvs):
    res = []
    for key, vals in kvs.iteritems():
        if isinstance(vals, list):
            for v in vals:
                res.append('%s=%s' % (key, urllib.quote(v)))
        else:
            res.append('%s=%s' % (key, urllib.quote(vals)))
    return '&'.join(res)

write(1, res.read())

# set this var equal to the contents of this: http://pastebin.com/UfejW3G0
POSTDATA = '''<post data>'''

# parse the embedded json vars into POST parameters
PREFIX1 = 'EntrezSystem2.PEntrez.ImagesDb.'
PREFIX2 = 'EntrezSystem2.PEntrez.DbConnector.'
params = dict((k, v[0]) for k, v in urlparse.parse_qs(POSTDATA).iteritems())

base_url = 'http://www.ncbi.nlm.nih.gov/images'
for page in range(2, MAX_PAGE):
    params[PREFIX1 + 'Images_ResultsPanel.Entrez_Pager.CurrPage'] = str(page)
    params[PREFIX1 + 'Images_ResultsPanel.Entrez_Pager.cPage'] = [str(page-1)]*2

    data = encode(params)
    req = mechanize.Request(base_url, data)
    cjar.add_cookie_header(req)
    req.add_header('Content-Type', 'application/x-www-form-urlencoded')
    req.add_header('Referer', base_url)
    res = browser.open(req)

    write(page, res.read())