如何抓取受密碼保護的網站

Question

我有一個網站，我需要從中抓取一些數據（該網站是https://www.merriam-webster.com/ ，我想抓取保存的單詞）。

這個網站受密碼保護，我還認為有一些我不明白的 javascript 內容（我認為某些元素是由瀏覽器加載的，因為當我獲取 html 時它們沒有顯示）。

我目前有一個使用 selenium 的解決方案，它確實有效，但它需要打開 Firefox，我真的很想要一個解決方案，我可以讓它在后台僅作為控制台程序運行。

如果可能，使用 python 請求庫和最少的額外第三方庫，我將如何存檔？

這是我的硒解決方案的代碼：

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模塊，則需要使用會話。

要初始化會話，您可以：

session_requests = requests.session()

然后你需要一個帶有用戶名和密碼的負載

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

然后登錄你做：

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

現在您的會話應該已登錄，因此要轉到使用相同會話的任何其他密碼保護頁面：

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

然后你可以使用result.content來查看該頁面的內容。

編輯如果您的站點包含 CSRF 令牌，則需要將其包含在“有效負載”中。 要獲取 CSRF 令牌，請將“有效負載”部分替換為：

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
    }