使用Anemone Web Spider进行HTTP基本身份验证

Question

我需要收集所有的“标题”从网站的所有页面。

站点具有HTTP基本身份验证配置。

在不使用身份验证的情况下，我将执行以下操作：

require 'anemone'
Anemone.crawl("http://example.com/") do |anemone|
  anemone.on_every_page do |page|
    puts page.doc.at('title').inner_html rescue nil
  end
end

但我对HTTP Basic Auth有一些问题...

如何使用HTTP Basic Auth从站点收集书目？

如果我尝试使用"Anemone.crawl("http://username:password@example.com/")“，那么我只有第一个页面标题，但其他链接具有http://example.com/样式，并且我收到401error。

Answer 1

HTTP Basic Auth通过HTTP headers工作。希望访问受限资源的客户端必须提供身份验证头，如下图所示：

Authorization: Basic QWxhZGRpbjpvcGVuIHNlc2FtZQ==

它包含名称和密码，采用base64编码。更多信息请参见维基百科文章：Basic Access Authentication。

我用谷歌搜索了一下，没有找到让Anemone接受自定义请求头的方法。也许你会有更多的运气。

但我发现了另一个自称可以做到的爬虫程序：Messie。也许你应该试一试

更新

这里是Anemone设置其请求头的地方：Anemone::HTTP。实际上，这里没有定制。你可以使用monkeypatch。像这样的东西应该可以工作(把它放在你的应用程序中的某个地方)：

module Anemone
  class HTTP
    def get_response(url, referer = nil)
      full_path = url.query.nil? ? url.path : "#{url.path}?#{url.query}"

      opts = {}
      opts['User-Agent'] = user_agent if user_agent
      opts['Referer'] = referer.to_s if referer
      opts['Cookie'] = @cookie_store.to_s unless @cookie_store.empty? || (!accept_cookies? && @opts[:cookies].nil?)

      retries = 0
      begin
        start = Time.now()
        # format request
        req = Net::HTTP::Get.new(full_path, opts)
        response = connection(url).request(req)
        finish = Time.now()
        # HTTP Basic authentication
        req.basic_auth 'your username', 'your password' # <<== tweak here
        response_time = ((finish - start) * 1000).round
        @cookie_store.merge!(response['Set-Cookie']) if accept_cookies?
        return response, response_time
      rescue Timeout::Error, Net::HTTPBadResponse, EOFError => e
        puts e.inspect if verbose?
        refresh_connection(url)
        retries += 1
        retry unless retries > 3
      end
    end
  end
end

显然，您应该为basic_auth方法调用提供自己的username和password参数值。这是快速，肮脏和硬编码，是的。但有时你没有时间以适当的方式做事情。:)