Question

首先我要说的是，我知道有一些主题可以讨论与我类似的问题，但建议的解决方案似乎并不适用于某些原因。此外，我是新手使用脚本从互联网上下载文件。到目前为止，我主要使用python作为Matlab的替代品（使用numpy / scipy）。

我的目标：我想使用python自动从Internet数据库（http://dna.korea.ac.kr/vhot/）下载很多.csv文件。我想这样做是因为下载我需要的1000+ csv文件太麻烦了。只能使用UI访问数据库，您必须从下拉菜单中选择几个选项，最后在一些步骤后最终得到.csv文件的链接。我已经知道填写下拉菜单并按“搜索”后得到的网址包含下拉菜单的所有参数。这意味着我可以更改这些而不是使用下拉菜单，这有很大帮助。

此网站的示例网址是（我们称之为 url1 ）： url1 = http://dna.korea.ac.kr/vhot/search.php?species=Human&selector=drop&mirname=&mirname_drop=hbv-miR-B2RC&pita=on&set=and&miranda_th=-5&rh_th=-10&ts_th=0&mt_th=7.3&pt_th=99999&gene=

在此页面上，我可以选择5个csv文件，一个示例将我引导至以下网址：

url2 = http://dna.korea.ac.kr/vhot/download.php?mirname=hbv-miR-B2RC&species_filter=species_id+%3D+9606&set=and&gene_filter=&method=pita&m_th=-5&rh_th=-10&ts_th=0&mt_th=7.3&pt_th=99999&targetscan=&miranda=&rnahybrid=&microt=&pita=on

然而，这不直接包含csv文件，但似乎是一个'重定向'（对我来说是一个新术语，我通过googeling发现，如果我错了，请纠正我。）

一件奇怪的事。在我可以访问url2之前，我似乎必须在我的浏览器中加载url1（我不知道它是否必须是同一天，或者是小时。在今天，url2对我不起作用而且昨天也没有。仅在访问url1之后它再次起作用了......）。如果我在url2之前没有访问url1，我会从浏览器中获取“no results”而不是我的csv文件。有谁知道这里发生了什么？

但是，我的主要问题是我无法从python中保存csv文件。我已经尝试使用包 urllib，urllib2 和请求，但我无法让它工作。根据我的理解，请求包应该处理重定向，但我无法使其工作。

以下网页的解决方案似乎对我不起作用（或者我搞砸了）：

stackoverflow.com/questions/7603044/how-to-download-a-file-returned-indirectly-from-html-form-submission-pyt

stackoverflow.com/questions/9419162/python-download-returned-zip-file-from-url

techniqal.com/blog/2008/07/31/python-file-read-write-with-urllib2 /

我尝试过的一些事情包括：

import urllib2
import csv
import sys

url = 'http://dna.korea.ac.kr/vhot/download.php?mirname=hbv-miR-B2RC&species_filter=species_id+%3D+9606&set=or&gene_filter=&method=targetscan&m_th=-5&rh_th=-10&ts_th=0&mt_th=7.3&pt_th=-10&targetscan=on&miranda=&rnahybrid=&microt=&pita='

#1
u = urllib2.urlopen(url)
localFile = open('file.csv', 'w')
localFile.write(u.read())
localFile.close()

#2
req = urllib2.Request(url)
res = urllib2.urlopen(req)
finalurl = res.geturl()
pass
# finalurl = 'http://dna.korea.ac.kr/vhot/download.php?mirname=hbv-miR-B2RC&species_filter=species_id+%3D+9606&set=or&gene_filter=&method=targetscan&m_th=-5&rh_th=-10&ts_th=0&mt_th=7.3&pt_th=-10&targetscan=on&miranda=&rnahybrid=&microt=&pita='

#3
import requests
r = requests.get(url)
r.content
pass
#r.content =  "< s c r i p t > location.replace('download_send.php?name=qgN9Th&type=targetscan'); < / s c r i p t >"

#4
import requests
r = requests.get(url, 
allow_redirects=True,
data={'download_open': 'Download', 'format_open': '.csv'})
print r.content
# r.content = "

#5
import urllib
test1 = urllib.urlretrieve(url, "test.csv")
test2 = urllib.urlopen(url)
pass

对于＃2，＃3和＃4，输出显示在代码之后。对于＃1和＃5，我只获得带有</script>'

的.csv文件

选项＃3只是给了我一个新的重定向，我想，这可以帮助我吗？

有人可以帮我解决问题吗？

Answer 1

该页面不会发送HTTP Redirect，而是通过JavaScript完成重定向。 urllib和requests不处理javascript，因此无法关注下载网址。您必须自己提取最终下载URL，然后使用任何方法打开它。

您可以使用re模块使用r'location.replace\((.*?)\)'

等正则表达式提取网址

Answer 2

基于ch3ka的回应，我想我已经开始工作了。从源代码我得到了java重定向，从这个重定向我可以得到数据。

#Find source code
redirect = requests.get(url).content

#Search for the java redirect (find it in the source code) 
# --> based on answer ch3ka
m = re.search(r"location.replace\(\'(.*?)\'\)", redirect).group(1)

# Now you need to create url from this redirect, and using this url get the data
data = requests.get(new_url).content

在python中从Web（带重定向）下载.csv文件

2 个答案: