Israeli Bureau of Statistics Webクエリツールからデータをスクラップする方法はありますか？

Question

次のURL：

http://www.cbs.gov.il/ts/ID40d250e0710c2f/databank/series_func_e_v1.html?level_1=31&level_2=1&level_3=7

は、一度に50系列の最大値に抽出されたデータポイントの数を制限イスラエル政府からの情報のデータ生成を与えます。私は、各ステップのクリックに従うことができるウェブスクレイパーをあなたの好きな言語/ソフトウェアで書くことが可能かどうか（もしそうなら、どのように）、特定のトピックのシリーズをすべて得ることができるのだろうか。

ありがとうございました。

Answer 1

：導入のための '一目でScrapy' を参照してください

pprint.pprint(browser.form.controls[-2].items) 
# [<Item name='1' id=None selected='selected' contents='Volume of orders for the domestic market' value='1' label='Volume of orders for the domestic market'>, 
# <Item name='2' id=None contents='Orders for export' value='2' label='Orders for export'>, 
# <Item name='3' id=None contents='The volume of production' value='3' label='The volume of production'>, 
# <Item name='4' id=None contents='The volume of sales' value='4' label='The volume of sales'>, 
# <Item name='5' id=None contents='Stocks of finished goods' value='5' label='Stocks of finished goods'>, 
# <Item name='6' id=None contents='Access to credit for the company' value='6' label='Access to credit for the company'>, 
# <Item name='7' id=None contents='Change in the number of employees' value='7' label='Change in the number of employees'>] 

choices=[item.attrs['value'] for item in browser.form.controls[-2].items] 
print(choices) 
# ['1', '2', '3', '4', '5', '6', '7'] 

browser.form['name_tatser']=['2'] 
browser.submit() 

たちができる：ここでは

import mechanize 
import pprint 
import lxml.etree as ET 
import lxml.html as lh 
import urllib 
import urllib2 

browser=mechanize.Browser() 
browser.open("http://www.cbs.gov.il/ts/ID40d250e0710c2f/databank/series_func_e_v1.html?level_1=31&level_2=1&level_3=7") 
browser.select_form(nr=0) 

我々は利用可能なオプションを覗きますそれ以降のフォームごとにこれを繰り返します。

browser.select_form(nr=1) 

choices=[item.attrs['value'] for item in browser.form.controls[-2].items] 
print(choices) 
# ['1576', '1581', '1594', '1595', '1596', '1598', '1597', '1593'] 

browser.form['name_ser']=['1576'] 
browser.submit() 

browser.select_form(nr=2) 

choices=[item.attrs['value'] for item in browser.form.controls[-2].items] 
print(choices) 
# ['32', '33', '34', '35', '36', '37', '38', '39', '40', '41'] 

browser.form['data_kind']=['33'] 
browser.submit() 

browser.select_form(nr=3) 
browser.form['ybegin']=['2010'] 
browser.form['mbegin']=['1'] 
browser.form['yend']=['2011'] 
browser.form['mend']=['5'] 
browser.submit() 

この時点で、次の3つのオプションがあります。

1. を私はどんな経験を持っていない

XMLファイルをダウンロードし

.xlsファイルをダウンロードしてHTMLソース

からデータを解析Pythonで.xlsを解析するので、私はこのオプションを渡しました。

BeautifulSoupまたはlxmlでHTMLを解析することができます。おそらく これは最短の解決策でしたが、HTMLのための適切なXPathを見つけることはすぐにわかりませんでしたので、私はXMLのために行きました：

XMLをcbs.gov.ilのWebサイトからダウンロードするには、 javascript関数を呼び出すボタンをクリックします。ああ、機械化はjavascript関数を実行できません。ありがたいことに、javascriptは新しいURLをアセンブルするだけです。 lxmlでパラメータを引き出すことは簡単です：

content=browser.response().read() 
doc=lh.fromstring(content) 
params=dict((elt.attrib['name'],elt.attrib['value']) for elt in doc.xpath('//input')) 
params['king_format']=2 
url='http://www.cbs.gov.il/ts/databank/data_ts_format_e.xml' 
params=urllib.urlencode(dict((p,params[p]) for p in [ 
    'king_format', 
    'tod', 
    'time_unit_list', 
    'mend', 
    'yend', 
    'co_code_list', 
    'name_tatser_list', 
    'ybegin', 
    'mbegin', 
    'code_list', 
    'co_name_tatser_list', 
    'level_1', 
    'level_2', 
    'level_3'])) 

browser.open(url+'?'+params) 
content=browser.response().read() 

は、今、私たちは別のつまずきに達する：XMLはiso-8859-8-iでエンコードされます。 Pythonはこのエンコーディングを認識しません。何をすべきか分からず、私は単にiso-8859-8-iをiso-8859-8に置き換えました。私はこの悪影響がどのような悪影響をもたらすのか分かりません。

# A hack, since I do not know how to deal with iso-8859-8-i 
content=content.replace('iso-8859-8-i','iso-8859-8') 
doc=ET.fromstring(content) 

あなたは遠くこれを取得したら、XMLを解析するのは簡単です：

for series in doc.xpath('/series_ts/Data_Set/Series'): 
    print(series.attrib) 
    # {'calc_kind': 'Weighted', 
    # 'name_ser': 'Number Of Companies That Answered', 
    # 'get_time': '2011-06-21', 
    # 'name_topic': "Business Tendency Survey - Distributions Of Businesses By Industry, Kind Of Questions And Answers - Manufacturing - Company'S Experience Over The Past Three Months - Orders For Export", 
    # 'time_unit': 'Month', 
    # 'code_series': '22978', 
    # 'data_kind': '5-10 Employed Persons', 
    # 'decimals': '0', 
    # 'unit_kind': 'Number'} 

    for elt in series.xpath('obs'): 
     print(elt.attrib) 
     # {'time_period': ' 2010-12', 'value': '40'} 
     # {'time_period': ' 2011-01', 'value': '38'} 
     # {'time_period': ' 2011-02', 'value': '40'} 
     # {'time_period': ' 2011-03', 'value': '36'} 
     # {'time_period': ' 2011-04', 'value': '30'} 
     # {'time_period': ' 2011-05', 'value': '33'} 

Answer 2

WWW::MechanizeとWWW::HtmlUnitをご覧ください。

#!/usr/bin/perl 

use strict; 
use warnings; 

use WWW::Mechanize; 

my $m = WWW::Mechanize->new; 

#get page 
$m->get("http://www.cbs.gov.il/ts/ID40d250e0710c2f/databank/series_func_e_v1.html?level_1=31&level_2=1&level_3=7"); 

#submit the form on the first page 
$m->submit_form(
    with_fields => { 
     name_tatser => 2, #Orders for export 
    } 
); 

#now that we have the second page, submit the form on it 
$m->submit_form(
    with_fields => { 
     name_ser => 1576, #Number of companies that answered 
    } 
); 

#and so on... 

#printing the source HTML is a good way 
#to find out what you need to do next 
print $m->content; 

Answer 3

また、Scrapyをご覧ください。これは、PythonのWebクローラーフレームワークです。あなたがPython's mechanize moduleを使用することができ、フォームを送信するにはhttp://doc.scrapy.org/intro/overview.html