Question

我正在尝试使用nodejs抓取一个网站，它可以在不需要任何身份验证的网站上完美运行。但每当我尝试使用需要用户名和密码的表单来抓取网站时，我只会从身份验证页面获取HTML（也就是说，如果您在身份验证页面上单击“查看页面源”，那就是HTML I得到）。我可以使用curl

获得所需的HTML

curl -d "username=myuser&password=mypw&submit=Login" URL

这是我的代码......

var express = require('express');
var fs = require('fs'); //access to file system
var request = require('request');
var cheerio = require('cheerio');
var app     = express();

app.get('/scrape', function(req, res){
url = 'myURL'

request(url, function(error, response, html){

    // check errors
    if(!error){
        // Next, we'll utilize the cheerio library on the returned html which will essentially give us jQuery functionality
        var $ = cheerio.load(html);

        var title, release, rating;
        var json = { title : "", release : "", rating : ""};

        $('.span8 b').filter(function(){
            // Let's store the data we filter into a variable so we can easily see what's going on.
            var data = $(this);
            title = data.first().text();
            release = data.text();

            json.title = title;
            json.release = release;
        })
    }
    else{
        console.log("Error occurred: " + error);
    }

    fs.writeFile('output.json', JSON.stringify(json, null, 4), function(err){

        console.log('File successfully written! - Check your project directory for the output.json file');

    })

    res.send('Check your console!')
})

})

app.listen('8081')
console.log('Magic happens on port 8081');
exports = module.exports = app;

我试过以下......

var request = require('request',
    username:'myuser',
    password:'mypw');

这只返回身份验证页面的HTML

request({form: {username:myuser, password:mypw, submit:Login}, url: myURL}, function(error, response, html){
    ...
    ...
    ...
}

这也只是返回身份验证页面的HTML

所以我的问题是如何使用nodejs实现这一目标？

Answer 1

你不应该使用.get但.post并将post param（用户名和密码）放入你的电话中

request.post({
  headers: {'content-type' : 'application/x-www-form-urlencoded'},
  url:     url,
  body:    "username=myuser&password=mypw&submit=Login"
}, function(error, response, html){
    //do your parsing... 
    var $ = cheerio.load(html)
});

nodejs web scraper用于受密码保护的网站

1 个答案: