我正在尝试从芬兰药品价格局抓取 excel 文件
我正在使用 requests-html 来查找指向 excel 文件的链接:
from requests_html import HTMLSession
import urllib.request
url = 'http://www.hila.fi/fi/hakeminen_ja_ilmoitukset/viitehintajarjestelma/ryhmat_ja_hinnat/viitehintapaatokset2009'
session = HTMLSession()
r = session.get(url)
sel = 'a[href*=".xls"]'
reference_datas = r.html.find(sel)
for reference_data in reference_datas:
url = reference_data.absolute_links.pop()
response = urllib.request.urlopen(url)
with open('test.xls', 'wb') as f:
f.write(response.read())
这适用于 excel 文件的内容,但所选元素没有有关文件名的信息。文件名包含有关文件中价格适用的时间段的信息。例如,链接http://www.hila.fi/c/document_library/get_file?folderId=792534&name=DLFE-4531.xls
获取文件Viitehintaluettelo Q4_2009_paivitetty.xls
。
如何将此文件名作为字符串获取,以便我可以从中提取Q4_2009
的时间信息?
您可以通过标头访问它。
from requests_html import HTMLSession
session = HTMLSession()
r = session.get('http://www.hila.fi/c/document_library/get_file?folderId=792534&name=DLFE-4531.xls')
content_disposition = r.headers.get('Content-Disposition')
print(content_disposition)
# 'attachment; filename="Viitehintaluettelo Q4_2009_paivitetty.xls"'
只需从content_disposition
解析filename
即可。您可以在此处查看内容处置规范。