Question

我想抓一个私人谷歌小组的讨论列表。这是一个多页面列表，我可能会在以后再次这样做，所以脚本听起来像是要走的路。

由于这是一个私人群组，我需要先登录我的Google帐户。不幸的是我无法使用wget或ruby Net :: HTTP登录。令人惊讶的是，Client Login interface无法访问Google群组，因此所有代码示例都无用。

我的ruby脚本嵌入在帖子的末尾。对身份验证查询的响应是200-OK，但响应标头中没有cookie，正文包含消息“您的浏览器的cookie功能已关闭。请将其打开。”

我用wget得到了相同的输出。请参阅此消息末尾的bash脚本。

我不知道如何解决这个问题。我错过了什么吗？任何的想法？

提前致谢。

约翰

这是ruby脚本：

# a ruby script
require 'net/https'

http = Net::HTTP.new('www.google.com', 443)
http.use_ssl = true
path = '/accounts/ServiceLoginAuth'


email='john@gmail.com'
password='topsecret'

# form inputs from the login page
data = "Email=#{email}&Passwd=#{password}&dsh=7379491738180116079&GALX=irvvmW0Z-zI"
headers =  { 'Content-Type' => 'application/x-www-form-urlencoded',
'user-agent' => "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/533.2 (KHTML, like Gecko) Chrome/6.0"}

# Post the request and print out the response to retrieve our authentication token
resp, data = http.post(path, data, headers)
puts resp
resp.each {|h, v| puts h+'='+v}

#warning: peer certificate won't be verified in this SSL session

这是bash脚本：

# A bash script for wget
CMD=""
CMD="$CMD --keep-session-cookies --save-cookies cookies.tmp"
CMD="$CMD --no-check-certificate"
CMD="$CMD --post-data='Email=john@gmail.com&Passwd=topsecret&dsh=-8408553335275857936&GALX=irvvmW0Z-zI'"
CMD="$CMD --user-agent='Mozilla'"
CMD="$CMD https://www.google.com/accounts/ServiceLoginAuth"
echo $CMD
wget $CMD
wget --load-cookies="cookies.tmp" http://groups.google.com/group/mygroup/topics?tsc=2

Answer 1

你试过mechanize红宝石吗？ Mechanize库用于自动与网站交互;您可以登录谷歌并浏览您的私人谷歌群组，保存您所需的内容。

Here使用mechanize进行gmail抓取的示例。

Answer 2

我之前通过使用Firefox手动登录然后使用Chickenfoot自动进行浏览和抓取来完成此操作。

Answer 3

找到scraping private Google Groups的这个PHP解决方案。

如何抓一个_private_谷歌组？

3 个答案: