如何抓取受密码保护的网站

Question

我有一个网站，我需要从中抓取一些数据（该网站是https://www.merriam-webster.com/ ，我想抓取保存的单词）。

这个网站受密码保护，我还认为有一些我不明白的 javascript 内容（我认为某些元素是由浏览器加载的，因为当我获取 html 时它们没有显示）。

我目前有一个使用 selenium 的解决方案，它确实有效，但它需要打开 Firefox，我真的很想要一个解决方案，我可以让它在后台仅作为控制台程序运行。

如果可能，使用 python 请求库和最少的额外第三方库，我将如何存档？

这是我的硒解决方案的代码：

from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.keys import Keys
import time
import json

# Create new driver
browser = webdriver.Firefox()
browser.get('https://www.merriam-webster.com/login')

# Find fields for email and password
username = browser.find_element_by_id("ul-email")
password = browser.find_element_by_id('ul-password')
# Find button to login
send = browser.find_element_by_id('ul-login')
# Send username and password 
username.send_keys("username")
password.send_keys("password")

# Wait for accept cookies button to appear and click it
WebDriverWait(browser, 20).until(EC.element_to_be_clickable((By.CLASS_NAME, "accept-cookies-button"))).click()
# Click the login button
send.click()

# Find button to go to saved words
WebDriverWait(browser, 20).until(EC.element_to_be_clickable((By.CLASS_NAME, "ul-favorites"))).click()


words = {}
# Now logged in
# Loop over pages of saved words
for i in range(2):
    print("Now on page " + str(i+1))
    # Find next page button
    nextpage = browser.find_element_by_class_name("ul-page-next")
    # Wait for the next page button to be clickable
    WebDriverWait(browser, 20).until(EC.element_to_be_clickable((By.CLASS_NAME, "ul-page-next")))

    # Find all the words on the page
    for word in browser.find_elements_by_class_name('item-headword'):
        # Add the href to the dictonary
        words[word.get_attribute("innerHTML")] = word.get_attribute("href")
    # Naivgate to the next page
    nextpage.click()

browser.close()

# Print the words list
with open("output.json", "w", encoding="utf-8") as file:
    file.write(json.dumps(words, indent=4))

Answer 1

如果要使用requests模块，则需要使用会话。

要初始化会话，您可以：

session_requests = requests.session()

然后你需要一个带有用户名和密码的负载

payload = {
    "username":<USERNAME>,
    "password":<PASSWORD>}

然后登录你做：

result = session_requests.post(
    login_url, 
    data = payload, 
    headers = dict(referer=login_url)
)

现在您的会话应该已登录，因此要转到使用相同会话的任何其他密码保护页面：

result = session_requests.get(
    url, 
    headers = dict(referer = url)
)

然后你可以使用result.content来查看该页面的内容。

编辑如果您的站点包含 CSRF 令牌，则需要将其包含在“有效负载”中。 要获取 CSRF 令牌，请将“有效负载”部分替换为：

from lxml import html

tree = html.fromstring(result.text)
#you may need to manually inspect the tree to find how your CSRF token is specified.
authenticity_token = list(set(tree.xpath("//input[@name='csrfmiddlewaretoken']/@value")))[0]

payload = {
    "username":<USERNAME>,
    "password":<PASSWORD>,
    "csrfmiddlewaretoken":authenticity_token
    }