python discuz_Python爬虫自动下载Discuz论坛附件。
121,278
因工作需要,要定期收集卡饭论坛的病毒样本板块的病毒样本,所以就考虑用 Python做个爬虫,然后自动下载附件。
核心功能有3个:
1· 登录
2· 伪造cookie保持session
3. 下载样本
首先,登录就是先抓取登录页面,找到登录表单会post的数据,当然你也可以用firefox的httpfox插件。
需要注意的是,discuz的登录表单里有个hashform字段,是会随时间变的,所以要登录,必须分两个步骤:
1· 先抓取登录页面,找到hashform值
2· 生成post数据,然后登录 登录成功后,服务器端会返回给我们两个cookie字段,我本来是想先解析这些cookie,然后再生成自己的cookie,作为每次post的数据之一。后来发现cookielib可以安装opener,所以你只要用urllib2.urlopen(req)来取代urllib.urlopen(uri),返回的cookie每次就会被保存,并且自动包在每次发送的请求里。
接下来就是解析网页,获得附件的下载地址了。解析网页无非就是正则。没有什么新的技术含量,就不多说了。
下面上代码,给需要类似功能的朋友做参考。代码写的乱,就不要见怪了。 帖子列表,我是从板块的RSS中获得的。
import urllib,urllib2,cookielib,re,datetime
def getPageHtml(uri):
req = urllib2.Request(uri)
return urllib2.urlopen(req).read()
#return urllib.urlopen(uri).read()
def login():
'''登陆论坛
设置cookie,获得formhash,然后提交post数据 '''
#获得formhash
pattern = re.compile("")
content = getPageHtml('http://bbs.kafan.cn/logging.php?action=login')
formhash = pattern.findall(content)
if (len(formhash) > 0):
formhash = formhash[0]
formhash = formhash[-12:-4]
#cookie
cookieJar = cookielib.CookieJar()
cookie_support= urllib2.HTTPCookieProcessor(cookieJar)
opener = urllib2.build_opener(cookie_support, urllib2.HTTPHandler)
urllib2.install_opener(opener)
#login
postdata=urllib.urlencode({
'loginfield':'username',
'username':'用户名',
'password':'密码',
'referer':'http://bbs.kafan.cn/',
'formhash':formhash,
'questionid':'0',
'answer':''
})
headers = {
'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6',
'referer':'http://bbs.kafan.cn'
}
req = urllib2.Request(
url = 'http://bbs.kafan.cn/logging.php?action=login&loginsubmit=yes&inajax=1',
data = postdata,
headers = headers
)
result = urllib2.urlopen(req).read()
def getPages():
page = getPageHtml('http://bbs.kafan.cn/rss.php?fid=31&auth=0')
pattern = re.compile(".*viewthread.php.*< \/link>")
linkArray = pattern.findall(page)
return linkArray
def getLinks(urls):
#遍历页面
count = 1
for url in urls:
url = url[6:-7]
print "解析" + url
pageContent = getPageHtml(url)
#print pageContent
pattern = re.compile('.*<; \/a>;')
anchors = pattern.findall(pageContent)
#遍历下载节点
for anchor in anchors:
print anchor
linkPattern = re.compile('\"attachment\.php\?aid=[a-zA-Z0-9\%&;=\?-_\B]*\"')
link = linkPattern.findall(anchor)
link = "http://bbs.kafan.cn/" + link[0][1:-1]
namePattern = re.compile('>;[^<;>;].*[^<;>;]<;\/')
name = namePattern.findall(anchor)
name = name[0][1:-2]
date = GetDateString()
time = GetTimeString()
name = rootpath + date + "\\" + time + "_" + name
print "下载" + link
print "至" + name
count = count + 1
download(link,name)
def download(url,filename):
MakeDateFolder(rootpath)
urllib.urlretrieve(url, filename)
def GetTimeString():
from datetime import datetime
todayStr = datetime.today().strftime("%H_%M_%S")
return todayStr
def GetDateString():
from datetime import date
todayStr = date.today().strftime("%Y_%m_%d")
return todayStr
def MakeDateFolder( inFolderName ):
import os
if os.path.isdir( inFolderName ):
newFolderName = inFolderName + '\\\\' + GetDateString()
print(newFolderName)
if os.path.isdir( newFolderName ):
print(newFolderName," Exists already ")
else:
os.mkdir( newFolderName )
print(newFolderName," Create OK ")
rootpath = 'c:\\kafan\\'
login()
pagelinks = getPages()
attlinks = getLinks(pagelinks)
python discuz_Python爬虫自动下载Discuz论坛附件。相关推荐
- python discuz_python实现的登陆Discuz!论坛通用代码分享
代码如下: #coding:gbkimport urllib2,urllib,cookielib,re''' 通用的登陆DZ论坛 参数说明parms: username:用户名(必填), passwo ...
- Discuz论坛附件下载权限绕过漏洞
近日,有网友在乌云上发布了一则Discuz论坛附件下载权限绕过漏洞,能够任意下载带有权限的附件并且无需扣除自身积分.目前Discuz正在处理中,但暂未放出漏洞补丁,有需要的朋友不妨趁漏洞修补之前到各论 ...
- python 通达信自动下载收盘和财务数据
python 通达信自动下载收盘和财务数据,自动启动通达信,鼠标自动操作: 通达信直接从官网下载免费版,可下载财务数据. 自动识别屏幕尺寸(目前为1440x900.1920x1080.1366*768 ...
- python网络爬虫快速下载4K高清壁纸
python网络爬虫快速下载4K高清壁纸 此处给出下载壁纸的链接地址彼岸图网,进入网站之后,我们看到可以下载风景,游戏,动漫,美女等类型的4K图片,装逼一下,re库有贪婪匹配,那我们就写一个通用代码来 ...
- Python 爬虫自动下载OpenAI Key Papers
Spinning Up是OpenAI开源的面向初学者的深度强化学习资料,其中列出了105篇深度强化学习领域非常经典的文章, 见 Spinning Up: 博主使用Python爬虫自动爬取了所有文章,而 ...
- 简单python网络爬虫批量下载视频
寒假闲来无事,决定尝试一下用python写一个小网络爬虫批量下载视频. 由于是第一次写网络爬虫,可以说是两眼一抹黑,整个程序都是自己一点点试出来的,所以程序本身肯定有一些漏洞和缺陷,如果有建议请批评指 ...
- Chrome浏览器无法自动登录discuz论坛
本人用浏览器是Chrome,在discuz论坛一直输入帐号和密码之后点确定无反应,刷新之后可登录-- 网上搜索后,找到的解决办法: 发现是一个叫"Google Analytics(分析)停用 ...
- 利用 Python 和 Selenium 自动下载知网期刊文件
利用Selenium自动下载知网期刊文件 1 下载 Chrome 的 Webdriver 2 代码 2.1 导入相关的包 2.2 设置 WebDriver 2.3 找到期刊名在网页上对应元素 2.4 ...
- python下载电影速度_我是如何使用python控制迅雷自动下载电影的?
写了一个脚本爬取了阳光电影的豆瓣高分电影,需要用迅雷帮我一部一部的自动下载好,供我无聊时观看.为什么要一部一部的下? 因为中国移动送了我一张无限流量卡,结果才用了5个G我就被限速到 100kb/s 了 ...
最新文章
- python函数编程-偏函数partial function
- aapt: error while loading shared libraries: libstdc++.so.6: wrong ELF class: ELFCLASS64
- iOS自动打包并发布脚本
- ASP.NET Core如何在ActionFilterAttribute里做依赖注入
- hdu 6153 A Secret kmp + dp
- Redis面试 - 生产环境中的 redis 是怎么部署的?
- 不登陆QQ也能使用QQ截图工具
- MAC Photoshop标题栏不见了
- 网络打印机拒绝访问,无法连接处理方法汇总
- Unity Shader-反射效果(CubeMap,Reflection Probe,Planar Reflection,Screen Space Reflection)
- 数据库表,excel,cvs 联系人转vcf
- 折腾开源WRT的AC无线路由之路-1
- 钉钉邮箱登录入口_钉邮的使用攻略①
- java的向下转型_Java 向上/向下转型浅析
- 【云原生 | 从零开始学Kubernetes】十二、k8spod的生命周期与容器钩子
- 数通(DataCom)--路由交换技术学习笔记
- mysql sql dateadd函数_SQL DATEADD函数 (sqlserver 只更新表中年份,不改其他时间)...
- [转]split命令:对文件进行分割
- ORACLE VARCHAR2最大长度问题[作者:潇湘隐者]
- 电信业务平台融合的探讨
热门文章
- 有哪些实用的报修管理系统?的修报修平台具备哪些优势?
- 51aspx是流氓!自动修改F5快捷键为打开它的站!
- android 7 版本升级,Android 7.0独立升级是什么意思?安卓7.0系统升级方法介绍[多图]...
- Java接口implements
- JS鼠标事件onMouseOver和onMouseOut的坑
- 如何在网上买到真品茶叶?
- 什么是Bash、什么是shell?
- 电脑我的世界服务器怎么按键显示,我的世界电脑版所有的按键及使用方法?
- java 如何连接oracle_oracle教程之java连接oracle_java如何连接oracle数据库?
- 2022新版手机软件库游戏库下载系统源码/附教程