Usando o wget para baixar arquivos PDF de um site que requer a configuração de cookies

8

Desejo acessar um site de jornal e fazer o download das cópias epaper (em PDF). O site exige que eu efetue login usando meu endereço de e-mail e senha e, em seguida, me permita acessar esses URLs em PDF.

Estou tendo problemas para definir minha sessão no Wget . Quando eu entro no site pelo meu navegador, ele define dois valores de cookies:

[email protected]
Password=12345

Eu tentei:

wget --post-data "[email protected]&Password=12345" http://epaper.abc.com/login.aspx

No entanto, isso acabou de baixar a página de login e a salvou localmente.

O FORMULÁRIO na página de login possui dois campos:

txtUserID
txtPassword

E botões de rádio como este:

<input id="rbtnManchester" type="radio" checked="checked" name="txtpub" value="44">

Outro botão:

<input id="rbtnLondon" type="radio" name="txtpub" value="64">

Se eu postar isso na página login.aspx, recebo a mesma saída

wget --post-data "[email protected]&txtPassword=12345&txtpub=44" http://epaper.abc.com/login.aspx

Se eu fizer:

--save-cookies abc_cookies.txt

parece não ter nada além do conteúdo padrão.

Por último, se eu fizer --debugtambém, diz:

...
Set-Cookie: ASP.NET_SessionId=05kphcn4hjmblq45qgnjoe41; path=/; HttpOnly
...
Stored cookie epaper.abc.com -1 (ANY) / <session> <insecure> [expiry none] ASP.NET_SessionId 05kphcn4hjmblq45qgnjoe41
Length: 107253 (105K) [text/html]
Saving to: `login.aspx'
...
Saving cookies to abc_cookies.txt.

No entanto, abc_cookies.txt mostra APENAS o seguinte:

# HTTP cookie file.
# Generated by Wget on 2011-08-16 08:03:05.
# Edit at your own risk.

(Não sei por que não estou obtendo respostas no Stack Overflow - talvez o Superusuário seja um site melhor - usando o Wget para baixar arquivos PDF de um site que exige a configuração de cookies .)

EDIT 1

C:\Temp>wget --cookies=on --keep-session-cookies --save-cookies abc_cookies.txt --post-data "txtUserID=abc%40gmail.com&txtPassword=password&txtpub=44&chkbox=checkbox&submit.x=48&submit.y=7" http://epaper.abc.com/login.aspx --debug
SYSTEM_WGETRC = c:/progra~1/wget/etc/wgetrc
syswgetrc = C:\Program Files (x86)\GnuWin32/etc/wgetrc
DEBUG output created by Wget 1.11.4 on Windows-MinGW.

--2011-08-18 08:15:59--  http://epaper.abc.com/login.aspx
Resolving epaper.abc.com... seconds 0.00, 999.999.99.99
Caching epaper.abc.com => 999.999.99.99
Connecting to epaper.abc.com|999.999.99.99|:80... seconds 0.00, connected.
Created socket 300.
Releasing 0x00a2ae80 (new refcount 1).

---request begin---
POST /login.aspx HTTP/1.0
User-Agent: Wget/1.11.4
Accept: */*
Host: epaper.abc.com
Connection: Keep-Alive
Content-Type: application/x-www-form-urlencoded
Content-Length: 100

---request end---
[POST data: txtUserID=abc%40gmail.com&txtPassword=password&txtpub=44&chkbox=checkbox&submit.x=48&submit.y=7]
HTTP request sent, awaiting response...
---response begin---
HTTP/1.1 200 OK
Connection: keep-alive
Date: Thu, 18 Aug 2011 02:46:17 GMT
Server: Microsoft-IIS/6.0
X-Powered-By: ASP.NET
X-AspNet-Version: 2.0.50727
Set-Cookie: ASP.NET_SessionId=owcrje55yl45kgmhn43gq145; path=/; HttpOnly
Cache-Control: private
Content-Type: text/html; charset=utf-8
Content-Length: 107253

---response end---
200 OK
Registered socket 300 for persistent reuse.

Stored cookie epaper.abc.com -1 (ANY) / <session> <insecure> [expiry none] ASP.NET_SessionId owcrje55yl45kgmhn43gq145
Length: 107253 (105K) [text/html]
Saving to: `login.aspx.1'

100%[======================================================================================================================>] 107,253     24.9K/s   in 4.2s

2011-08-18 08:16:05 (24.9 KB/s) - `login.aspx.1' saved [107253/107253]

Saving cookies to abc_cookies.txt.
Done saving cookies.

C:\Temp>wget --referer=http://epaper.abc.com/login.aspx --cookies=on --load-cookies abc_cookies.txt --keep-session-cookies --save-cookies abc_cookies.txt http://epaper.abc.com/PagePrint/16_08_2011_001.pdf --debug
SYSTEM_WGETRC = c:/progra~1/wget/etc/wgetrc
syswgetrc = C:\Program Files (x86)\GnuWin32/etc/wgetrc
DEBUG output created by Wget 1.11.4 on Windows-MinGW.


Stored cookie epaper.abc.com -1 (ANY) / <session> <insecure> [expiry none] ASP.NET_SessionId owcrje55yl45kgmhn43gq145
--2011-08-18 08:16:12--  http://epaper.abc.com/PagePrint/16_08_2011_001.pdf
Resolving epaper.abc.com... seconds 0.00, 999.999.99.99
Caching epaper.abc.com => 999.999.99.99
Connecting to epaper.abc.com|999.999.99.99|:80... seconds 0.00, connected.
Created socket 300.
Releasing 0x00598290 (new refcount 1).

---request begin---
GET /PagePrint/16_08_2011_001.pdf HTTP/1.0
Referer: http://epaper.abc.com/login.aspx
User-Agent: Wget/1.11.4
Accept: */*
Host: epaper.abc.com
Connection: Keep-Alive
Cookie: ASP.NET_SessionId=owcrje55yl45kgmhn43gq145

---request end---
HTTP request sent, awaiting response...
---response begin---
HTTP/1.1 200 OK
Connection: keep-alive
Date: Thu, 18 Aug 2011 02:46:30 GMT
Server: Microsoft-IIS/6.0
X-Powered-By: ASP.NET
X-AspNet-Version: 2.0.50727
content-disposition: attachement; filename=Default_logo.gif
Cache-Control: private
Content-Type: image/GIF
Content-Length: 4568

---response end---
200 OK
Registered socket 300 for persistent reuse.
Length: 4568 (4.5K) [image/GIF]
Saving to: `16_08_2011_001.pdf'

100%[======================================================================================================================>] 4,568       7.74K/s   in 0.6s

2011-08-18 08:16:14 (7.74 KB/s) - `16_08_2011_001.pdf' saved [4568/4568]

Saving cookies to abc_cookies.txt.
Done saving cookies.

Conteúdo de abc_cookies.txt

epaper.abc.com       FALSE   /       FALSE   0       ASP.NET_SessionId       owcrje55yl45kgmhn43gq145
pdf wget siliconpi
fonte
Eu suspeito que você não está obtendo resposta porque existem poucos especialistas no uso mais avançado do wget. :(
jcrawfordor
@Frank - tente usar --keep-session-cookies no wget de login inicial, veja minha resposta abaixo.
EightBitTony
Login.aspx é o URL da página de login ou o URL ao qual a página de login envia?
Edward Shtern 23/01

Respostas:

4

Eu acho que você precisa usar --keep-session-cookiespara preservar os cookies de sessão, e não apenas --save-cookies(você precisa de ambos).

Basicamente você 

wget --keep-session-cookies --save-cookies ..... url

para fazer login e obter seu cookie de sessão.

então 

wget --load-cookie ...... url

para baixar o PDF.

EightBitTony
fonte
:( não funcionava ... não dados ...
siliconpi
@Frank - Então, o que aconteceu em cada estágio, você conseguiu os cookies no disco conforme o esperado, se incluir cabeçalhos, quais respostas você está recebendo, etc. Você pode atualizar a pergunta com o que tentou agora e com o que retornou.
EightBitTony
Oi Tony - obrigado por tentar ajudar - estou intrigado com tudo isso!
Siliconpi 18/08/11
Oi Tony - você teve a chance de ver o Edit1 detalhado?
Siliconpi
Sim, nada salta. Minha única consulta é o que há no login.aspx quando você o recupera desde o primeiro wget? Isso indica que você efetuou login com sucesso?
EightBitTony
2

Talvez isso ajude. O site no qual eu estava tentando fazer login tinha alguns campos ocultos que eu precisava acessar antes de poder fazer login com êxito. Assim, o primeiro wget obtém a página de login para encontrar os campos extras, o segundo wget efetua login no site e salva os cookies; o terceiro usa esses cookies para obter a página que você procura.

#!/bin/bash

# get the login page to get the hidden field data
wget -a log.txt -O loginpage.html http://foobar/default.aspx
hiddendata=`cat loginpage.html | grep value | grep foobarhidden | tr '=' ' ' | awk '{print $9}' | sed s/\"//g`
rm loginpage.html

# login into the page and save the cookies
postData=user=fakeuser'&'pw=password'&'foobarhidden=${hiddendata}
wget -a log.txt -O /dev/null --post-data ${postData} --keep-session-cookies --save-cookies cookies.txt http://foobar/default.aspx

# get the page you're after
wget -a log.txt -O results.html --load-cookies cookies.txt http://foobar/lister.aspx?id=42
rm cookies.txt

Há algumas informações úteis nesse outro post do SO:

tpow
fonte
1
Tente remover a personalização da sua resposta (remova o "I"). Fora isso, para uma das suas primeiras respostas, você está indo muito bem.
Wizlog 19/01/12