[继豆瓣抓站后再对Coursera下手](http://www.jianshu.com/p/f76bd2164856) > 系统:Mac OS X 10.10.1 > 编辑器: Sublime Text2 > Python版本: 2.7.8 > 模块依赖: import sys, string, re, random, urllib, urllib2, cookielib, getpass(`均为系统内的模块`) * * * # 0\. 抓站小结 ## 0.1\. cookie处理 需要进行登陆的时候, 要进行cookie的处理,使用以下方法 ~~~ cookie = cookielib.CookieJar() opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie)) urllib2.install_opener(opener) req = urllib2.Request(url) content = urllib2.urlopen(req) ~~~ ## 0.2\. 表单处理 某些网站需要进行账户和密码登陆, 需要使用POST方法向服务器发送账户和密码表单数据, 这里就需要模拟登陆. > 如何获取表单数据的格式呢? 通过谷歌浏览器开发者工具中Network锁定请求头部和post发出的表单数据,伪装表单数据 > 当由于Method太多, 找不到POST提交登录请求Method方法的时候, 可以尝试使用错误密码, 这样就可以容易的找POST方法对应的头部.  找到POST方法  表单处理 ~~~ form_data = urllib.urlencode({ #注意urlencode方法 "email": self.user_name, "password": self.password, "webrequest": "true" }) ~~~ ## 0.3\. 防盗链和伪装成浏览器访问 防盗链就是需要在请求的头部加入`Referer`字段, Referer 指的是HTTP头部的一个字段, 用来表示从哪儿链接到目前的网页，采用的格式是URL。换句话说，借着 HTTP Referer 头部网页可以检查访客从哪里而来，这也常被用来对付伪造的跨网站请求。 伪装成浏览器就是将`User-Agent设置为浏览器的字段`  伪装头部 ~~~ user_agent = ("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) " "AppleWebKit/537.36 (KHTML, like Gecko) " "Chrome/38.0.2125.111 Safari/537.36") request_header = { "Referer": "https://accounts.coursera.org/signin", #对付防盗链设置, 为跳转来源的url "User-Agent": user_agent, #伪装成浏览器访问 } ~~~ # 1\. 伪装头部 使用`谷歌浏览器自带的开发者工具`, 选择`Network`(`Element用来查看网站源码等功能`), 获取详细的GET和POST方法, 从中获取`登录请求`的的头部信息, 从POST中获得Headers信息如下(`省略部分不重要信息`) ~~~ Request URL:https://accounts.coursera.org/api/v1/login //真正的登陆验证页面 Request Method:POST Status Code:401 Unauthorized //Request Headers Connection:keep-alive Content-Length:55 Content-Type:application/x-www-form-urlencoded Cookie:(省略cookie信息, 下面详细介绍) ... Referer:https://accounts.coursera.org/signin //防盗链设置 User-Agent:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36 //浏览器浏览标识 //下面四行为服务器所做的限制字段 X-CSRF2-Cookie:csrf2_token_el67QDLg X-CSRF2-Token:1oxZDVMuZGX0qCggdReQyj2R X-CSRFToken:WnVtiMDpvw0JXJqHjPrFk0EU X-Requested-With:XMLHttpRequest //Form Data email:1095...@qq.com //Coursera账户信息 password:FAFA //账户密码 webrequest:true //固定字段 ~~~ 这样就能写出模拟头部的函数 ~~~ def structure_headers(self) : #模拟表单数据,这个参数不是字典 form_data = urllib.urlencode({ "email": self.user_name, "password": self.password, "webrequest": "true" }) user_agent = ("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) " "AppleWebKit/537.36 (KHTML, like Gecko) " "Chrome/38.0.2125.111 Safari/537.36") request_header = { "Referer": "https://accounts.coursera.org/signin", #对付防盗链设置, 为跳转来源的url "User-Agent": user_agent, #伪装成浏览器访问 } return form_data, request_header ~~~ 试了几次竟然都是`400错误`, 也就是头部请求的格式不正确, 通过多次Headers查看, 发现有下面四处不同的头部 ~~~ X-CSRF2-Cookie:csrf2_token_hTu4Zy8Y 最后八位不同 X-CSRF2-Token:O5OIRan9I99lTHmnYS27ocYb 完全随机 X-CSRFToken:HClYbs9HZoGweU54iR5r5z2y 完全随机 X-Requested-With:XMLHttpRequest 固定不变 ~~~ > 通过放上搜索找到了解决方案, coursera的请求头部中`X-CSRF2-Token和X-CSRFToken`是完全随机的, `X-CSRF2-Cookie`后八位是随机生成的, 都是由字母和数字随机生成的. 于是修改代码如下: ~~~ def structure_headers(self) : #模拟表单数据,这个参数不是字典 form_data = urllib.urlencode({ "email": self.user_name, "password": self.password, "webrequest": "true" }) user_agent = ("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) " "AppleWebKit/537.36 (KHTML, like Gecko) " "Chrome/38.0.2125.111 Safari/537.36") XCSRF2Cookie = 'csrf2_token_%s' % ''.join(self.random_string(8)) XCSRF2Token = ''.join(self.random_string(24)) XCSRFToken = ''.join(self.random_string(24)) cookie = "csrftoken=%s; %s=%s" % (XCSRFToken, XCSRF2Cookie, XCSRF2Token) request_header = { "Referer": "https://accounts.coursera.org/signin", #对付防盗链设置, 为跳转来源的url "User-Agent": user_agent, #伪装成浏览器访问 "X-Requested-With": "XMLHttpRequest", "X-CSRF2-Cookie": XCSRF2Cookie, "X-CSRF2-Token": XCSRF2Token, "X-CSRFToken": XCSRFToken, "Cookie": cookie } return form_data, request_header def random_string(self, length): return ''.join(random.choice(string.letters + string.digits) for i in xrange(length)) ~~~ # 2\. 模拟登陆 登陆coursra的下载页面时[计算机组成视频下载](https://class.coursera.org/pkuco-001/lecture), 会发现是要求登陆呢, 这时候就使用`cookielib`模块进行cookie的处理 ~~~ def simulation_login(self) : cookie = cookielib.CookieJar() opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie)) urllib2.install_opener(opener) form_data, request_header = self.structure_headers() req = urllib2.Request(self.login_url, data = form_data, headers = request_header) try : result = urllib2.urlopen(req) except urllib2.URLError,e : if hasattr(e, "code"): print "The server couldn't fulfill the request.Please check your url and read the Reason" print "Error code: %s" % e.code elif hasattr(e, "reason"): print "We failed to reach a server. Please check your url and read the Reason" print "Reason: %s" % e.reason sys.exit(2) if result.getcode() == 200 : print "登陆成功..." ~~~ 这个函数用于模拟登陆, 并显示登陆成功或者失败 # 3\. 抓取下载链接 抓取链接通过正则表达式, 主要匹配`PDF下载链接和MP4视频下载链接` 使用`re.findall()`函数进行函数匹配 ~~~ def get_links(self) : try : result = urllib2.urlopen(self.url) except urllib2.URLError,e : if hasattr(e, "code"): print "The server couldn't fulfill the request." print "Error code: %s" % e.code elif hasattr(e, "reason"): print "We failed to reach a server. Please check your url and read the Reason" print "Reason: %s" % e.reason sys.exit(2) content = result.read().decode("utf-8") print "读取网页成功..." down_links = re.findall(r'<a.*?href="(.*?mp4.*?)"', content) down_pdfs = re.findall(r'<a.*?href="(.*?pdf)"', content) print "正则匹配结束..." return down_links, down_pdfs ~~~ # 4\. 写入完本 既然已经匹配了所有的链接, 这一步就是将链接写入到文件中 ~~~ def start_spider(self) : self.simulation_login() down_links, down_pdfs = self.get_links() with open("coursera.html", "w+") as my_file : print "下载链接的长度", len(down_links) for link in down_links : print link try : my_file.write(link + "\n") except UnicodeEncodeError: sys.exit(2) with open("coursera.pdf", "w+") as my_file : print "下载pdf的长度", len(down_pdfs) for pdf in down_pdfs : try : my_file.write(pdf + "\n") except UnicodeEncodeError : sys.exit(2) print "抓取Coursera课程下载链接和pdf链接成功" ~~~ # 5\. 登陆调用 使用`getpass模块中的getpass()`输入密码, 使用这个函数输入密码的时候不会显示任何字符, 貌似体验不好, 下次修改一下, 然后命令行传入下载课程的参数. 通过比较每门课下载页面, 发现之后`/lecture`前的这个字段是不同的,这样可以设置通过命令行传入这这个参数 [https://class.coursera.org/pkuco-001/lecture](https://class.coursera.org/pkuco-001/lecture) [https://class.coursera.org/electromagnetism-001/lecture](https://class.coursera.org/electromagnetism-001/lecture) > 这里在运行命令行只需要传入`pkuco-001或者electromagnetism-001`这种字段 ~~~ def main() : if len(sys.argv) != 2 : print "Please Input what course you want to download.." sys.exit(2) url = "https://class.coursera.org/{course}/lecture" user_name = raw_input("Input your Email > ") password = getpass.getpass("Input your Password > ") spider = Coursera(url.format(course = sys.argv[1]), user_name, password) spider.start_spider() ~~~ # 6\. 下载脚本 下载可以使用`curl`, Mac下安装方法 ~~~ brew install curl ~~~ 编写下载使用的Python脚本, 编写成功后, 修改脚本文件的文件权限 ~~~ chmod 755 downloadshell.py #最后一个参数为Python脚本名称 ~~~ 运行下载脚本 ~~~ $python downloadshell.py coursera.pdf #最后一个参数为连接保存文件 ~~~ 下面是我自己编写的简单的下载脚本 ~~~ #!/usr/bin/python2 # -*- coding:utf-8 -*- #简单的文件下载脚本 import os import sys, re def read_file(file_name) : down_links = [] with open(file_name, "r") as my_file : for url in my_file : down_links.append(url.replace("\n", "")) return down_links def main() : if len(sys.argv) != 2 : print "Please input file name..." sys.exit(2) down_links = read_file(sys.argv[1]) pdf_index = 1 mp4_index = 1 for index, link in enumerate(down_links) : if link.find("mp4") != -1 : os.system("curl " + link + " -o " + "%d.mp4" % mp4_index) elif link.find("pdf") != -1 : os.system("curl " + link + " -o " + "%d.pdf" % pdf_index) pdf_index += 1 else : print "请自行补全下载命令..." if __name__ == '__main__': main() ~~~ # 7.完整代码查看 [Github完整代码](https://github.com/Andrew-liu/coursera_spider)