使用NodeJ解析网站

时间:2016-05-17 19:13:23

标签: javascript node.js web-scraping

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:

chrome dev panel

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!

1 个答案:

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