从 Tableau 地图中抓取数据

Question

我正在尝试为阿片类药物危机的研究项目提取伊利诺伊州纳洛酮配送中心的位置和名称。

可从 public 健康部门 https://idph.illinois.gov/OpioidDataDashboard/

访问此画面生成的仪表板

我已经尝试了我能找到的一切。首先将 url 更改为使用 Tableau 界面“下载”数据。那只能让我下载 pdf 地图，而不是它背后的实际数据集。其次，我修改了我在 Stack overflow 上看到过几次的 python 脚本来尝试请求数据。但是，我认为它遇到了某种错误。下面的代码。

url = "https://interactive.data.illinois.gov/t/DPH/views/opioidTDWEB_prod/NaloxoneDistributionLocations"

r = requests.get(
    url,
    params= {
        ":embed":"y",
        ":showAppBanner":"false",
        ":showShareOptions":"true",
        ":display_count":"no",
        "showVizHome": "no"
    }
)
soup = BeautifulSoup(r.text, "html.parser")
print(soup)
tableauData = json.loads(soup.find("textarea",{"id": "tsConfigContainer"}).text)

dataUrl = f'https://tableau.ons.org.br{tableauData["vizql_root"]}/bootstrapSession/sessions/{tableauData["sessionid"]}'

r = requests.post(dataUrl, data= {
    "sheet_id": tableauData["sheetId"],
})

dataReg = re.search('\d+;({.*})\d+;({.*})', r.text, re.MULTILINE)
info = json.loads(dataReg.group(1))
data = json.loads(dataReg.group(2))

print(data["secondaryInfo"]["presModelMap"]["dataDictionary"]["presModelHolder"]["genDataDictionaryPresModel"]["dataSegments"]["0"]["dataColumns"])

感谢任何帮助。

Answer 1

编辑

我做了一个 tableau scraper library 来将工作表数据提取到 pandas 数据框中。

代码更简单，但在您的情况下，您仍然需要使用 xsrf 令牌构建 URL：

from tableauscraper import TableauScraper as TS
import requests
from bs4 import BeautifulSoup

init_url = "https://idph.illinois.gov/OpioidDataDashboard/"
r = requests.get(init_url)
soup = BeautifulSoup(r.text, "html.parser")
paramTags = dict([
    (t["name"], t["value"])
    for t in soup.find("div", {"class": "tableauPlaceholder"}).findAll("param")
])

url = f'{paramTags["host_url"]}trusted/{paramTags["ticket"]}{paramTags["site_root"]}/views/{paramTags["name"]}'

ts = TS()
ts.loads(url)
dashboard = ts.getWorkbook()

for t in dashboard.worksheets:
    # show worksheet name
    print(f"WORKSHEET NAME : {t.name}")
    # show dataframe for this worksheet
    print(t.data)

Try this on repl.it

原版post

这有点复杂，因为有以下组合：

有 tsconfig textarea 的画面“配置页面”不是原始页面的一部分。 url 是从一些 param html 标签动态构建的
它在 cookie 中使用交叉伪造令牌，但为了获得该 cookie，您需要调用特定的 api，其 url 是从某些 param [=89] 动态构建的=] 标签
从 tsconfig 参数，我们可以构建数据 url 正如您在其他 Whosebug post 中发现的那样 , and

流程如下：

调用GET https://idph.illinois.gov/OpioidDataDashboard/，用classtableauPlaceholder

param

那里的主机是：https://interactive.data.illinois.gov

从以前的 param 标签，构建“会话 URL”，如下所示：

GET /trusted/{ticket}/t/DPH/views/opioidTDWEB_prod/MortalityandMorbidity

上面的url将只用于存储cookies（包括cookies中的xsrf token）

从以前的 param 标签，构建如下所示的“配置 URL”：
```
GET /t/DPH/views/opioidTDWEB_prod/MortalityandMorbidity
```

提取 ID 为 tsConfigContainer 的文本区域并从中解析 json

从上面提取的 json 构建“数据 url”，url 如下所示：

POST /vizql/t/DPH/w/opioidTDWEB_prod/v/MortalityandMorbidity/bootstrapSession/sessions/{session_id}

然后你有一个 json 响应，它前面有一些字符串以防止 json hijacking。您需要正则表达式来提取它，然后解析巨大的 json 数据

所有 url 需要像 :

GET https://idph.illinois.gov/OpioidDataDashboard/
GET https://interactive.data.illinois.gov/trusted/yIm7jkXyRQuH9Ff1oPvz_w==:790xMcZuwmnvijXHg6ymRTrU/t/DPH/views/opioidTDWEB_prod/MortalityandMorbidity
GET https://interactive.data.illinois.gov/t/DPH/views/opioidTDWEB_prod/MortalityandMorbidity
POST https://interactive.data.illinois.gov/vizql/t/DPH/w/opioidTDWEB_prod/v/MortalityandMorbidity/bootstrapSession/sessions/2A3E3BA96A6C4E65B36AEDB4A536D09F-1:0

完整代码：

import requests
from bs4 import BeautifulSoup
import json
import re

s = requests.Session()

init_url = "https://idph.illinois.gov/OpioidDataDashboard/"
print(f"GET {init_url}")
r = s.get(init_url)
soup = BeautifulSoup(r.text, "html.parser")
paramTags = dict([
    (t["name"], t["value"]) 
    for t in soup.find("div", {"class":"tableauPlaceholder"}).findAll("param")
])

# get xsrf cookie
session_url = f'{paramTags["host_url"]}trusted/{paramTags["ticket"]}{paramTags["site_root"]}/views/{paramTags["name"]}'
print(f"GET {session_url}")
r = s.get(session_url)

config_url = f'{paramTags["host_url"][:-1]}{paramTags["site_root"]}/views/{paramTags["name"]}'
print(f"GET {config_url}")
r = s.get(config_url,
    params = {
        ":embed": "y",
        ":showVizHome": "no",
        ":host_url": "https://interactive.data.illinois.gov/",
        ":embed_code_version": 2,
        ":tabs": "yes",
        ":toolbar": "no",
        ":showShareOptions": "false",
        ":display_spinner": "no",
        ":loadOrderID": 0,
})
soup = BeautifulSoup(r.text, "html.parser")
tableauData = json.loads(soup.find("textarea",{"id": "tsConfigContainer"}).text)

dataUrl = f'{paramTags["host_url"][:-1]}{tableauData["vizql_root"]}/bootstrapSession/sessions/{tableauData["sessionid"]}'
print(f"POST {dataUrl}")
r = s.post(dataUrl, data= {
    "sheet_id": tableauData["sheetId"],
})
dataReg = re.search('\d+;({.*})\d+;({.*})', r.text, re.MULTILINE)
info = json.loads(dataReg.group(1))
data = json.loads(dataReg.group(2))

print(data["secondaryInfo"]["presModelMap"]["dataDictionary"]["presModelHolder"]["genDataDictionaryPresModel"]["dataSegments"]["0"]["dataColumns"])

Try this on repl.it

从 Tableau 地图中抓取数据

Scraping Data from a Tableau Map

python

screen-scraping

web-scraping

tableau-api

编辑

原版post