我正在尝试解析网站dl-protect并提供此类型的网址:http://www.dl-protect.com/F469D615输出将直接作为uptobox链接。
我尝试使用chrome dev控制台了解此服务的工作原理。
首先,需要考虑2个案例:
您无需输入验证码,只需单击“继续”按钮即可。然后NodeJs程序应该返回第二页上找到的URL(这里是uptobox)
您需要输入验证码。在这种情况下,NodeJs程序应该返回验证码的URL
到目前为止,这是我的代码(用ES6编写):
import request from 'request';
import cheerio from 'cheerio';
// try to respect the header has if it were coming from a browser
let options = {
url: 'http://www.dl-protect.com/F469D615',
headers: {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Accept-Language': 'fr,en-US;q=0.8,en;q=0.6,fr-FR;q=0.4',
'Cache-Control': 'max-age=0',
'Connection': 'keep-alive',
'Content-Type': 'application/x-www-form-urlencoded',
'Host': 'www.dl-protect.com',
'Origin': 'http://www.dl-protect.com',
'Referer': 'http://www.dl-protect.com/F469D615',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/49.0.2623.108 Chrome/49.0.2623.108 Safari/537.36'
}
};
request.get(options, function (error, response, body) {
if (!error && response.statusCode == 200) {
// parse the body response with cheerio
let $ = cheerio.load(body);
// detect if a captcha is required
let isCaptcha = !!$('#captcha').length;
// url of the captcha if needed
let captchaUrl = '';
// display wether we need captcha or not
switch (isCaptcha) {
case true:
captchaUrl = $('#captcha').attr('src');
console.log(`Captcha required, URL : ${captchaUrl}`);
break;
case false:
console.log('No captcha required');
break;
}
// get the key
let formKey = $('form[name="ccerure"] input[name="key"]').attr('value');
console.log(`key : ${formKey}`);
// set the form as it's computed no need to get it
// this param is just data about the browser so I ended up copying it once it was generated
let formIn = [
'_UETCF0UJREfkVmbpZWZk5Wd7QXYtJ3bGBCduVWb1N2bEBSZsJWY0J3bQtj',
'cldXZpZXLmRGctwWYuJXZ05Wa7IXZ3VWaWBiREBFItVXat9mcoNkJkVmbpZ',
'WZk5Wd74CduVGdu92Yg8WZklmdv8WakVXYgwUTUhEIm9GIrNWYilXYsBHIy',
'9mZgMXZz5WZjlGbgUmbpZXZkl2VgMXZsJWYuV0OvNnLyVGdwFGZh1GZjVmb',
'pZXZkl2dilGb7UGb1R2bNBibvlGdwlncjVGRgQnblRnbvNEIl5Wa2VGZpdl',
'JkVmbpZWZk5Wd7sTahpGall2ZmV2bo9mZvp2blFGciJmamN2Zk1mYmpGatt',
'jcldXZpZFIGREUg0Wdp12byh2Q8ZzMuczM18SayFmZhNFI4ATMuMjM2IjLw',
'4SO08SZt9mcoNEI4ATMuMjM2IjLw4SO08Sb1lWbvJHaDBSd05WdiVFIp82a',
'jV2RgU2apxGIswUTUh0SoAiNz4yNzUzL0l2SiV2VlxGcwFEIpQjNfZDO4BC',
'e15WaMByOxEDWoACMuUzLhxGbpp3bNxHNygHN0YDewMTN=='
].join('');
// if no captcha
if (!isCaptcha) {
// override the initial options by adding the necessary form data
options = Object.assign({}, options, {form: {key: formKey, i: formIn, submitform: 'Continuer'}});
// reach the same page with a post containing the following data : key, i and submitform
request.post(options, function (error, response, body) {
console.log(body);
// console.log(response);
// console.log(error);
});
}
}
});
当我查看chrome dev面板(网络选项卡+保留日志)时,只要我点击“继续”按钮,就会显示以下信息:
我真的认为传递“关键”,“我”和“提交形式”就够了,但事实并非如此。它只是回到第一页而不是带到URL的第二页。
关于如何获得uptobox链接(在本例中)输出的任何线索都非常好。
谢谢!
答案 0 :(得分:2)
大多数网站都会尝试保护自己免受人们搜索网站的侵害 - 他们的理由是谨慎的,原因将是他们自己的 - 但通常保护网站的方法是使用Cookie和隐藏字段等,每个网站都是签名的已加盖时间并已过期,甚至可能在后端验证一次性使用。
这个网站的具体内容是任何人的猜测,以及他们内部安全工程的一部分。
所以你可能不喜欢简单的抓取就像你想做的那样,你需要一个完整的浏览器来完成这项工作 - 幸运的是(对你而言)有无头浏览器,例如PhantomJs可能是帮助