我正在尝试通过大学代理下载研究文章pdf,我需要登录。我尝试按照[此答案][1]进行操作,但结果下载仅包含登录网站。
-
文章网址可能如下所示:
https://iopscience.iop.org/article/10.3847/2041-8213/aaf743/pdf
。(这个恰好是开放访问,但其他需要以这种方式访问(。 -
在浏览器中,我通过代理访问它:
https://login.emedien.ub.my-university.edu/login?qurl=https%3a%2f%2fiopscience.iop.org%2farticle%2f10.3847%2f2041-8213%2faaf743%2fpdf
.此 url 存储在变量中long_proxy
下面的代码示例中。 -
在浏览器中,这将打开一个登录表单:
<form action="/login" method="post"> <input name="ezproxycsrftoken" type="hidden" value="aBcDeFgH12345"/> <input name="url" type="hidden" value="https://iopscience.iop.org/article/10.3847/2041-8213/aaf743/pdf"> <table> <tr><td>University Username:</td><td><input name="user" style="width:250px" tabindex="1" type="text"/></td></tr> <tr><td>Password:</td><td><input name="pass" style="width:250px" tabindex="2" type="password"/></td></tr> </table> </input> </form>
-
输入用户名/密码后,我被转发到
https://iopscience-iop-org.emedien.ub.uni-muenchen.de/article/10.3847/2041-8213/aaf743/pdf
这将在浏览器中显示 PDF。我在下面的代码示例中
short_proxy
调用此 url。
我尝试通过以下方式使用 python 请求来做到这一点:
user_name = 'myname'
passwd = 'mypassword'
with requests.Session() as session:
session.headers.update({'User-Agent': 'Mozilla/5.0'})
# Parse the input form for the hidden input
r2 = requests.get(long_proxy)
soup = bs4.BeautifulSoup(r2.text, "html.parser")
form = soup.find('form')
hidden = form.find('input', attrs={'type':'hidden', 'name':'ezproxycsrftoken'}).attrs['value']
url_res = form.find('input', attrs={'type':'hidden', 'name':'url'}).attrs['value']
# set up the login
payload = {
'user': user_name,
'pass': passwd,
'ezproxycsrftoken': hidden,
'url': url_res
}
# post login
post = session.post(login, data=payload)
# get data
r3 = session.get(short_proxy)
with open('file.pdf', 'wb') as fid:
fid.write(r3.content)
- 但是,下载的文件实际上不是PDF,而是登录页面的html代码。
任何想法如何获取 PDF?
[1]: https://stackoverflow.com/questions/37816565/python-authentication-with-requests-library-via-post
您使用requests.Session()
来保存网站为您提供的cookie/会话,但您使用requests.get()
而不是session.get()
用于您获取longproxy
的初始请求。 改变你的
r2 = requests.get(long_proxy)
自
r2 = session.get(long_proxy)
应该解决您的问题。但是,我无法验证这一点。
另请注意,您的long_proxy
https://login.emedien.ub.uni-muenchen.de/login?qurl=https://iopscience.iop.org/article/10.3847/2041-8213/aaf743/
只是登录 URL,后跟 PDF URL。所以你真的不必拿那个。
这可以为您节省一些额外的请求/执行时间