使用NodeJs解析网站

Question

我试图解析网站dl-protect并给出这种类型的网址：http://www.dl-protect.com/F469D615输出将直接为uptobox链接为例。

我试图找出这个服务如何使用chrome dev控制台。

首先，有的2个案例体贴：

• 你并不需要输入验证码，你只需要点击继续按钮。然后NodeJs程序应返回第二页上的URL（此处为uptobox）

• 您需要输入验证码。在这种情况下的NodeJS程序应该返回Captcha验证码的网址

到目前为止，这是我的代码（写在ES6）：

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); 
      }); 
     } 
    } 
}); 

当我看到在Chrome浏览器开发板（网络选项卡+保存日志），当我点击继续按钮，它表明我：

我真的以为通过“钥匙”，“i”和“submitform”就足够了但事实并非如此。它只是返回到第一页，而不是通过URL转到第二页。

关于如何获得输出uptobox链接（在这种情况下）的任何线索将是非常好的。

谢谢！

Answer 1

大多数网站会试图保护他们免受刮擦他们网站的人 - 他们的理由谨慎，原因将是他们自己的 - 但通常意味着保护网站将使用cookie和隐藏的领域等，每个人都是加盖时间戳已过期，甚至有可能验证为单一使用在后端。

本网站具体做什么是任何人的猜测，也是他们内部安全工程的一部分。

因此，您可能会因简单的抓取而运气不佳，而您需要完整的浏览器才能完成这项工作 - 幸运的是（对于您）有无头浏览器，例如PhantomJs，它可能会的帮助。