Golddata如何采集需要登录/会话的数据？

Posted 2021-02-15

概要

本文将介绍使用GoldData半自动登录功能，来采集需要登录网站的数据。GoldData半自动登录功能，就是指通过脚本来执行登录，如果需要验证码或者其它内容需要人工输入时，可以通过收发邮件来执行登录流程。

下载例子

为了讲解方便，我们以采集mydict的单词数据来讲解采集需要登录的网站数据。这个mydict例子程序可以从开源网站下载到（ https://github.com/TheGoldData/mydict/releases ，或 https://gitee.com/golddata/mydict/attach_files ）。

下载之后，打开命令行，运行下面的命令就可以启动例子程序。

java -jar mydict.war

启动之后，打开浏览器，输入网址http://localhost:8080/打开一个登录页面。如下图所示：

输入用户名和密码（都是admin），就可以打开首页单词列表。

编写登录和检查会话脚本

点击“采集管理》网站管理”，点击“添加”按扭，添加名为mydict的站点。如下所示：

接下来配制登录和检查会话脚本，点击“设置半自动登录”，会打开站点半自动登录配制页面，如下图所示：

登录脚本如下：

//发送ajax请求验证码
var va=$ajax(‘http://localhost:8080/code/vcode?timestamp=1554001708730‘,{encoding:false});

var arg_={
label:site.name+"验证码",
type:1,
content:va.content
}
//waitForInput内置函数将发送邮件，并等待输入
//（回复邮件，或者goldData平台输入），
//并把输入内容当作验证码返回。
var code=waitForInput(arg_);

var data="username=admin&password=admin&vcode="+code

var m=new  Map()
m.put(‘Cookie‘,va.cookie)
//发送ajax请求执行登录
var content=$ajax(‘http://localhost:8080/doLogin‘,{method:‘POST‘,headers:m,data:data})

//如果正确，将返回状态1（登录成功），和headers信息给GoldData，
//否则返回0（登录失败）！
if(content.headers){
m.putAll(content.headers)
}

var ret={status:1,headers:m}

if(content.status!=200){
    ret.status=0
}
ret

检查脚本如下：

var ret=true;
if(html.contains("我的单词-登录")){
ret=false
}
ret;

配制好之后，我们回到网站管理页面，点击“启动登录”，则会开始执行“自动登录”，这之后，点击“查询”按扭来刷新页面，可以看到“等待输入”的状态。如下图所示：

此时，您设置的通知邮箱，也应该同时收到了邮件。点开邮件，或者点击页面上的“录入等待输入”按扭，将会看到如下内容：

依据邮件内容，回复邮件“{{qcxe}}”,就可以让程序继续执行。在golddata页面里输入"qcxe",效果是一样的。程序将会回到“waitForInput()”，并且返回输入的内容。

回复之后，我们将在golddata页面里，点击“查询”刷新页面，mydict的登录状态会变为“已登录”。如下图所示：

接下来，我们可以定义抓取规则。

定义抓取规则

在添加规则之前，我们还需要定义类似于表结构的数据集。如下图所示：

接下来，点击“采集管理》规则管理”，添加规则，打开添加规则页面，如下图所示：

抓取规则脚本如下：

[
  {
    __sample: http://localhost:8080/word/index?pageNum=2
    match0: http://localhost:8080/word/index(?pageNum=d+)?
    fields0:
    {
      __model: true
      __dataset: word
      __node: "#content  ul >li"
      sn:
      {
        expr: ""
        attr: ""
        js: md5(item.name)
        __label: ""
        __showOnList: false
        __type: ""
        down: "0"
        accessPathJs: ""
        uploadConf: s1
      }
      name:
      {
        expr: h5
        attr: ""
        js: ""
        __label: ""
        __showOnList: true
        __type: ""
        down: "0"
        accessPathJs: ""
        uploadConf: s1
      }
      uk:
      {
        expr: li span.uk
        attr: ""
        js: source.replace("uk: ",‘‘)
        __label: ""
        __showOnList: false
        __type: ""
        down: "0"
        accessPathJs: ""
        uploadConf: s1
      }
      us:
      {
        expr: li span.us
        attr: ""
        js: source.replace("us: ",‘‘)
        __label: ""
        __showOnList: false
        __type: ""
        down: "0"
        accessPathJs: ""
        uploadConf: s1
      }
    }
    fields1:
    {
      __node: .pagination a
      href:
      {
        expr: a
        attr: abs:href
        js: ""
        __label: ""
        __showOnList: false
        __type: ""
        down: "0"
        accessPathJs: ""
        uploadConf: s1
      }
    }
  }
]

然后点击测试，将会进行测试抓取。我们发现数据的确被抓取到了，如下图所示：

配制抓取器抓取

这和之前是一样的，将抓取器设置抓取站点“mydict”.然后点击开始抓取。然后会在数据管理里面查看抓取的数据。

结论

GoldData半自动登录实质是提供了一个可以人工介入来异步获取会话的框架，既可以调用AI接口做到完全自动登录；也可以将类似于验证码需要复杂识别需要提供输入时，直接将cookie或者token信息通过邮件收发到GoldData平台（这样可以不管CAPTCHA多复杂 ），都可以让GoldData抓取数据的动作持续进行下去。