今天要在百度文库下一个文档，由于之前测试，清掉了cookies，所以下载文档时突然提示登陆（之前一直都是自动登陆，记不住密码啊……），试了半天才想起来密码，就打算在分析下。

要说自己对百度文库也算缘分不浅，当年大二的时候我们工作室接到一个项目，就是采集互联网的各类电子文档，以供某公司建立文库。当时百度虽说还上线不到一年，但是却已经很有名气，因此也是我们的重点关注对象。下边开始分析（只看下载分析直接看（二）就行了）： 

一、文档在线展示的实现方式和采集策略

在线文库普遍采用的技术有两大类：一是将文档转为swf文件，然后页面用flash展示；二是按照文档原有结构，生成html结构展示。就我们用户而言，多数时候更喜欢第二种，给人感觉更直观一点，但是就实现难度而言，第二种也比较麻烦，原因不多说，想想就知道。
    当时在线文库主要采用的都是flash方式，这种方式既实现方便，又能够有效的防止文档被恶意抓取，虽说生成的swf文件很容易拿到，但是对于采集者而言，想得到的往往是文档内容。那么就真的没办法了吗？其实不然，我们了解下这种方式的实现原理就会发现，绝大多数swf展示文档都是将文档每页生成图片，然后再生成swf的，那么我们只要通过工具将swf中图片提取出来（这个自己查资料吧），再通过ocr将文字识别出来就行了。
    好吧，我想你看到ocr就没啥心情在看下去了，这玩意目前免费的还没几个靠谱的，那么我们来看下第二种方法。第二种就比较简单了，因为文档内容直接嵌入网页，我们直接提取出来就行了呗，小娃娃都会呢。可是我要说这连第一种都不如，因为有两个关键问题：一是采用这一方式的不多，就百度文库来说只有一部分文档是这么实现的，杜宇PPT这一类富文本元素较多的，还是flash实现；二是你即使内容提取出来了，想要按原样式生成文档，也很难的。
    这也不行，那也不行，那咋着行呢？其实上边都是废话，想要文档，直接下载不就行了。

二、百度文库文档下载分析

1、准备好装备

需要准备好以下装备：

• 百度账号
• chrome/firefox
• fiddler2（不是必备，但是用过你就爱不释手）
• 新建一个txt文件方便记录信息

2、找到文档下载链接

我们先找个账号登录，随便打开一个不要财富值的文档（最好大一点，1M以上），F12打调试工具，然后下载文档，可以看到Network出现很多请求，那么哪个请求时下 载链接呢？直接将请求按照Siz e大小排序，你会发现最大的那个请求返回内容特别大，这个就是下载链接，请求详情如下：

请求链接：
http://bs.baidu.com/wenku41/%2F1a34b536b85dec92517f7ef702e577b4?sign=MBOT:y1jXjmMD4FchJHFHIGN4z:wL%2Bt8HZ%2B9z7YjU2vGwjLZAJH868%3D&time=1393158775&response-content-disposition=attachment;%20filename=%22%B4%BA%CD%ED%B2%BB%CD%EA%C8%AB%BD%DA%C4%BF%B5%A5.doc%22&response-content-type=application%2foctet-stream

多下载几个就会发下这三部分是变化的，第一部分搜索文档页源码就能找到，filename后的一眼就能看出来是文件名的url编码，而第两部分在原页面却找不到，可以想到应该是从服务器返回的，那么我们再来看看其他请求。可以很容易发现有个叫download的请求，这名字很明显了，我们看下这个请求：

激动人心的时刻来了，在response中，Location就是文档下载链接。那么这个请求有事怎么发起的呢？首先看下请求参数，除了doc_id，其他几项都找不到，在看下referer，链接就是之前的文档页，我们在这个页面搜一下“ downloadToken ”，会惊喜的发现下边这个表单：

<form name="downloadForm" action="/user/submit/download" method="post" target="runDown"><input name="ct" value="20008" type="hidden" /><input name="doc_id" value="b732f1ee240c844769eaee90" type="hidden" /><input name="retType" value="newResponse" type="hidden" /><input name="sns_type" type="hidden" /> <input type="hidden" name="storage" value="0" /><input type="hidden" name="useTicket" value="0" /> <input type="hidden" name="downloadToken" value="e1de787724d82b8c18c1be98438782eb" /> <input type="hidden" name="sz" value="15872"></form>

到此真相大白：在文档也点击下载后，首先用词表单向download页发起请求，服务器则会返回文档的下载地址并跳转，然后返回文档流。

3、模拟请求

到这里就用到fiddler2了，我们如下构造请求（这里特地找了一个未下载过需要财富值的，）：

执行......然后发现返回code:200，response中没有Location。那么哪里出问题了呢？我们模拟求情和浏览器操作哪一点不一样呢？登 录！模拟请求中我们没有登 录，直接把浏览器中已登录的cookies贴过来，然后在执行......：

成功！请求download也需要登陆信息，那么如何登陆呢？请参见 模拟百度登录
    此次分析到此结束，代码就不贴了，照着贴吧登陆改了一个最后请求cookies总是空的，不知道是不是因为跨域需要手动设置cookies，但是按照以上的分析肯定能实现下载的。