Python：如何填写网络表单并获取结果页面源代码

Question

我正在尝试编写一个将刮除python并告诉我新闻文章是否为假新闻的http://www.fakenewsai.com/脚本。我希望脚本将给定的新闻文章输入到网站的url输入字段中，然后单击submit按钮。然后，我想抓取该网站，以确定该文章是网站上显示的“假”还是“真实”新闻。

我使用selenium和ChromeDriver成功完成了此操作，但是脚本非常慢（> 2分钟），并且没有在Heroku上运行（使用flask）。供参考，这是我使用的代码：

from selenium import webdriver
import time

def fakeNews(url):
  if url.__contains__("https://"):
    url = url[8:-1]
  if url.__contains__("http://"):
    url = url[7:-1]
  browser = webdriver.Chrome("static/chromedriver.exe")
  browser.get("http://www.fakenewsai.com")
  element = browser.find_element_by_id("url")
  element.send_keys(url)
  button = browser.find_element_by_id("submit")
  button.click()
  time.sleep(1)
  site = "" + browser.page_source
  result = ""
  if(site[site.index("opacity: 1")-10] == "e"):
    result = "Fake News"
  else:
    result = "Real News"
  browser.quit()
  return result

print(fakeNews('https://www.nytimes.com/2019/11/02/opinion/sunday/instagram-social-media.html'))

我已经尝试使用其他python库（例如mechanicalsoup，pyppeteer和scrapy）复制此代码。但是，作为python的初学者，我没有找到太大的成功。我希望有人可以通过解决方案为我指明正确的方向。

Answer 1

主要变慢发生在启动Chrome浏览器并找到第一个URL时。请注意，您正在为每个请求启动浏览器。您可以在初始化步骤中启动浏览器，并且仅根据请求执行自动化部分。这将大大提高性能。

Answer 2

出于上述目的，我认为分析网站，了解网站的功能然后自动执行浏览器行为（而不是用户行为）会更加简单。

[在网站上尝试在浏览器上单击F12，打开“网络”选项卡，在输入框上粘贴URL，然后单击“提交”，您将看到它先发送HTTP OPTIONS请求，然后发送POST请求到URL。然后，服务器将返回JSON响应。

因此，您可以使用Python的请求模块（docs）自动执行POST请求，而不必使用非常复杂的代码来模拟点击并抓取结果。

一个可以建立的非常简单的示例是：

import json
import requests


def fake_news():
    url = 'https://us-central1-fake-news-ai.cloudfunctions.net/detect/'
    payload = {'url': 'https://www.nytimes.com/'}
    headers = {'Accept': '*/*', 'Accept-Encoding': 'gzip, deflate, br', 'Accept-Language': 'en-US,en;q=0.5',
               'Connection': 'keep-alive', 'Content-Length': '103', 'Content-type': 'application/json; charset=utf-8',
               'DNT': '1', 'Host': 'us-central1-fake-news-ai.cloudfunctions.net', 'Origin': 'http://www.fakenewsai.com',
               'Referer': 'http://www.fakenewsai.com/', 'TE': 'Trailers',
               'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:70.0) Gecko/20100101 Firefox/70.0'}

    response_json = requests.post(url, data=json.dumps(payload), headers=headers).text
    response = json.loads(response_json)
    is_fake = int(response['fake'])

    if is_fake == 0:
        print("Not fake")
    elif is_fake == 1:
        print("Fake")
    else:
        print("Invalid response from server")


if __name__ == "__main__":
    fake_news()

PS：可以联系网站的所有者，讨论使用他或她的基础设施来处理您的项目，这是公平的。