Использование wget для загрузки файлов PDF с сайта, для которого необходимо установить файлы cookie

8

Я хочу зайти на сайт газеты, а затем загрузить их электронные копии (в формате PDF). Сайт требует, чтобы я вошел в систему, используя свой адрес электронной почты и пароль, а затем разрешил мне доступ к этим URL-адресам PDF.

У меня проблемы с «настройкой моей сессии» в Wget . Когда я захожу на сайт через браузер, он устанавливает два значения cookie:

UserID=abc@gmail.com
Password=12345

Я старался:

wget --post-data "UserID=abc@gmail.com&Password=12345" http://epaper.abc.com/login.aspx

Однако, это просто загрузило страницу входа и сохранило ее локально.

ФОРМА на странице входа в систему имеет два поля:

txtUserID
txtPassword

И радио кнопки так:

<input id="rbtnManchester" type="radio" checked="checked" name="txtpub" value="44">

Еще одна кнопка:

<input id="rbtnLondon" type="radio" name="txtpub" value="64">

Если я отправлю это на страницу login.aspx, я получу такой же вывод

wget --post-data "txtUserID=abc@gmail.com&txtPassword=12345&txtpub=44" http://epaper.abc.com/login.aspx

Если я сделаю:

--save-cookies abc_cookies.txt

кажется, что у него нет ничего, кроме содержимого по умолчанию.

И последнее, если я тоже --debugтак сделаю , это говорит:

...
Set-Cookie: ASP.NET_SessionId=05kphcn4hjmblq45qgnjoe41; path=/; HttpOnly
...
Stored cookie epaper.abc.com -1 (ANY) / <session> <insecure> [expiry none] ASP.NET_SessionId 05kphcn4hjmblq45qgnjoe41
Length: 107253 (105K) [text/html]
Saving to: `login.aspx'
...
Saving cookies to abc_cookies.txt.

Однако abc_cookies.txt показывает ТОЛЬКО следующее:

# HTTP cookie file.
# Generated by Wget on 2011-08-16 08:03:05.
# Edit at your own risk.

(Я не уверен, почему я не получаю никаких ответов о переполнении стека - возможно, Super User - лучший сайт - Использование Wget для загрузки файлов PDF с сайта, для которого требуются файлы cookie ).

РЕДАКТИРОВАТЬ 1

C:\Temp>wget --cookies=on --keep-session-cookies --save-cookies abc_cookies.txt --post-data "txtUserID=abc%40gmail.com&txtPassword=password&txtpub=44&chkbox=checkbox&submit.x=48&submit.y=7" http://epaper.abc.com/login.aspx --debug
SYSTEM_WGETRC = c:/progra~1/wget/etc/wgetrc
syswgetrc = C:\Program Files (x86)\GnuWin32/etc/wgetrc
DEBUG output created by Wget 1.11.4 on Windows-MinGW.

--2011-08-18 08:15:59--  http://epaper.abc.com/login.aspx
Resolving epaper.abc.com... seconds 0.00, 999.999.99.99
Caching epaper.abc.com => 999.999.99.99
Connecting to epaper.abc.com|999.999.99.99|:80... seconds 0.00, connected.
Created socket 300.
Releasing 0x00a2ae80 (new refcount 1).

---request begin---
POST /login.aspx HTTP/1.0
User-Agent: Wget/1.11.4
Accept: */*
Host: epaper.abc.com
Connection: Keep-Alive
Content-Type: application/x-www-form-urlencoded
Content-Length: 100

---request end---
[POST data: txtUserID=abc%40gmail.com&txtPassword=password&txtpub=44&chkbox=checkbox&submit.x=48&submit.y=7]
HTTP request sent, awaiting response...
---response begin---
HTTP/1.1 200 OK
Connection: keep-alive
Date: Thu, 18 Aug 2011 02:46:17 GMT
Server: Microsoft-IIS/6.0
X-Powered-By: ASP.NET
X-AspNet-Version: 2.0.50727
Set-Cookie: ASP.NET_SessionId=owcrje55yl45kgmhn43gq145; path=/; HttpOnly
Cache-Control: private
Content-Type: text/html; charset=utf-8
Content-Length: 107253

---response end---
200 OK
Registered socket 300 for persistent reuse.

Stored cookie epaper.abc.com -1 (ANY) / <session> <insecure> [expiry none] ASP.NET_SessionId owcrje55yl45kgmhn43gq145
Length: 107253 (105K) [text/html]
Saving to: `login.aspx.1'

100%[======================================================================================================================>] 107,253     24.9K/s   in 4.2s

2011-08-18 08:16:05 (24.9 KB/s) - `login.aspx.1' saved [107253/107253]

Saving cookies to abc_cookies.txt.
Done saving cookies.

C:\Temp>wget --referer=http://epaper.abc.com/login.aspx --cookies=on --load-cookies abc_cookies.txt --keep-session-cookies --save-cookies abc_cookies.txt http://epaper.abc.com/PagePrint/16_08_2011_001.pdf --debug
SYSTEM_WGETRC = c:/progra~1/wget/etc/wgetrc
syswgetrc = C:\Program Files (x86)\GnuWin32/etc/wgetrc
DEBUG output created by Wget 1.11.4 on Windows-MinGW.


Stored cookie epaper.abc.com -1 (ANY) / <session> <insecure> [expiry none] ASP.NET_SessionId owcrje55yl45kgmhn43gq145
--2011-08-18 08:16:12--  http://epaper.abc.com/PagePrint/16_08_2011_001.pdf
Resolving epaper.abc.com... seconds 0.00, 999.999.99.99
Caching epaper.abc.com => 999.999.99.99
Connecting to epaper.abc.com|999.999.99.99|:80... seconds 0.00, connected.
Created socket 300.
Releasing 0x00598290 (new refcount 1).

---request begin---
GET /PagePrint/16_08_2011_001.pdf HTTP/1.0
Referer: http://epaper.abc.com/login.aspx
User-Agent: Wget/1.11.4
Accept: */*
Host: epaper.abc.com
Connection: Keep-Alive
Cookie: ASP.NET_SessionId=owcrje55yl45kgmhn43gq145

---request end---
HTTP request sent, awaiting response...
---response begin---
HTTP/1.1 200 OK
Connection: keep-alive
Date: Thu, 18 Aug 2011 02:46:30 GMT
Server: Microsoft-IIS/6.0
X-Powered-By: ASP.NET
X-AspNet-Version: 2.0.50727
content-disposition: attachement; filename=Default_logo.gif
Cache-Control: private
Content-Type: image/GIF
Content-Length: 4568

---response end---
200 OK
Registered socket 300 for persistent reuse.
Length: 4568 (4.5K) [image/GIF]
Saving to: `16_08_2011_001.pdf'

100%[======================================================================================================================>] 4,568       7.74K/s   in 0.6s

2011-08-18 08:16:14 (7.74 KB/s) - `16_08_2011_001.pdf' saved [4568/4568]

Saving cookies to abc_cookies.txt.
Done saving cookies.

Содержимое abc_cookies.txt

epaper.abc.com       FALSE   /       FALSE   0       ASP.NET_SessionId       owcrje55yl45kgmhn43gq145
pdf wget siliconpi
источник
Я подозреваю, что вы не получили ответа, потому что мало экспертов по более продвинутому использованию wget. :(
jcrawfordor
@Frank - попробуйте использовать --keep-session-cookies в начальном входе в wget, см. Мой ответ ниже.
EightBitTony
Является ли login.aspx URL-адресом страницы входа или URL-адресом, на который отправляется страница входа?
Эдвард Штерн

Ответы:

4

Я думаю, что вы должны использовать --keep-session-cookiesдля сохранения сеансовые куки, а не только --save-cookies(вам нужны оба).

В основном вы 

wget --keep-session-cookies --save-cookies ..... url

войти и получить сессионный cookie.

тогда 

wget --load-cookie ...... url

скачать PDF.

EightBitTony
источник
:( не сработало ... без игры в кости ...
silicpi
@Frank - Итак, что происходило на каждом этапе, получали ли вы файлы cookie на диске, как ожидалось, если вы включали заголовки, какие ответы вы получаете и т. Д. Можете ли вы обновить вопрос тем, что вы сейчас попробовали и что получили обратно.
EightBitTony
Привет Тони - спасибо за попытку помочь - я озадачен всем этим!
Силиконпи
Привет, Тони. У тебя был шанс взглянуть на подробный Edit1?
Силиконпи
Да, ничего не выпрыгивает. Мой единственный вопрос - что находится в login.aspx, когда вы получаете его обратно с первого wget? Это означает, что вы успешно вошли в систему?
EightBitTony
2

Может быть, это поможет. На сайте, в который я пытался войти, были скрытые поля, которые мне нужно было получить, прежде чем я смог успешно войти. Таким образом, первый wget получает страницу входа для поиска дополнительных полей, второй wget регистрируется на сайте и сохраняет файлы cookie, третий затем использует эти файлы cookie для получения страницы, на которую вы заходите.

#!/bin/bash

# get the login page to get the hidden field data
wget -a log.txt -O loginpage.html http://foobar/default.aspx
hiddendata=`cat loginpage.html | grep value | grep foobarhidden | tr '=' ' ' | awk '{print $9}' | sed s/\"//g`
rm loginpage.html

# login into the page and save the cookies
postData=user=fakeuser'&'pw=password'&'foobarhidden=${hiddendata}
wget -a log.txt -O /dev/null --post-data ${postData} --keep-session-cookies --save-cookies cookies.txt http://foobar/default.aspx

# get the page you're after
wget -a log.txt -O results.html --load-cookies cookies.txt http://foobar/lister.aspx?id=42
rm cookies.txt

Есть немного полезной информации об этом другом SO сообщении:

tpow
источник
1
Пожалуйста, попробуйте де-персонализировать свой ответ (уберите «я»). Кроме этого, для одного из ваших первых ответов, у вас все отлично.
wizlog