如何从网页中嵌入的 Tableau 图表中抓取工具提示值

Question

我正在尝试找出是否有办法以及如何使用 python 从网页中的 Tableau 嵌入式图表中抓取工具提示值。

以下是用户将鼠标悬停在条形上时带有工具提示的图表示例：

https://public.tableau.com/views/NumberofCOVID-19patientsadmittedordischarged/DASHPublicpage_patientsdischarges?:embed=y&:showVizHome=no&:host_url=https%3A%2F%2Fpublic.tableau.com%2F&:embed_code_version=3&:tabs=no&:toolbar=yes&:animate_transition=yes&:display_static_image=no&:display_spinner=no&:display_overlay=yes&:display_count=yes&publish=yes&:loadOrderID=1

我从我想要抓取的原始网页中抓取了这个网址：

https://covid19.colorado.gov/hospital-data

感谢任何帮助。

Answer 1

编辑

我制作了a python library to scrape tableau dashboard。实现更简单：

from tableauscraper import TableauScraper as TS

url = "https://public.tableau.com/views/Colorado_COVID19_Data/CO_Home"

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

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

run this on repl.it

---

旧答案

图形似乎是在 JS 中从 API 的结果生成的，如下所示：

POST https://public.tableau.com/TITLE/bootstrapSession/sessions/SESSION_ID 

SESSION_ID 参数位于（除其他外）用于构建 iframe 的 URL 中的 tsConfigContainer textarea 中。

从https://covid19.colorado.gov/hospital-data开始：

• 检查类tableauPlaceholder的元素
• 获取具有name 属性的param 元素
• 它为您提供网址：https://public.tableau.com/views/{urlPath}
• 上一个链接为您提供了一个 ID 为 tsConfigContainer 的文本区域，其中包含一堆 json 值
• 提取session_id和根路径(vizql_root)
• 在https://public.tableau.com/ROOT_PATH/bootstrapSession/sessions/SESSION_ID 上使用sheetId 作为表单数据进行POST
• 从结果中提取json（结果不是json）

代码：

import requests
from bs4 import BeautifulSoup
import json
import re

r = requests.get("https://covid19.colorado.gov/hospital-data")
soup = BeautifulSoup(r.text, "html.parser")

# get the second tableau link
tableauContainer = soup.findAll("div", { "class": "tableauPlaceholder"})[1]
urlPath = tableauContainer.find("param", { "name": "name"})["value"]

r = requests.get(
    f"https://public.tableau.com/views/{urlPath}",
    params= {
        ":showVizHome":"no",
    }
)
soup = BeautifulSoup(r.text, "html.parser")

tableauData = json.loads(soup.find("textarea",{"id": "tsConfigContainer"}).text)

dataUrl = f'https://public.tableau.com{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"])

从那里你有所有的数据。您将需要寻找数据的拆分方式，因为似乎所有数据都通过单个列表转储。可能查看 JSON 对象中的其他字段会对此很有用。