Как собрать информацию с сайта, который требует авторизации - PullRequest
Новая
       50

Как собрать информацию с сайта, который требует авторизации

0 голосов
/ 25 апреля 2020

Я работаю над проектом python. Сайт, с которого я пытаюсь собрать данные, содержит информацию обо всех лекарствах, продаваемых в Индии. Веб-сайт требует от пользователя входа в систему, прежде чем предоставить доступ к этой информации.

Я хочу получить доступ ко всем ссылкам в этом URL https://mims.com/india/browse/alphabet/a?cat=drug&tab=brand и сохранить его в массиве.

Вот мой код для входа на сайт 

##################################### Method 1
import mechanize
import http.cookiejar as cookielib
from bs4 import BeautifulSoup
import html2text

br = mechanize.Browser()
cj = cookielib.LWPCookieJar()

br.set_cookiejar(cj)

br.set_handle_equiv(True)
br.set_handle_gzip(True)
br.set_handle_redirect(True)
br.set_handle_referer(True)
br.set_handle_robots(False)
br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)

br.addheaders = [('User-agent', 'Chrome')]

br.open('https://sso.mims.com/Account/SignIn')

# View available forms
for f in br.forms():
    print(f)

br.select_form(nr=0)

# User credentials
br.form['EmailAddress'] = <USERNAME>
br.form['Password'] = <PASSWORD>

# Login
br.submit()
print(br.open('https://mims.com/india/browse/alphabet/a?cat=drug&tab=brand').read())

Но проблема в том, что при отправке учетных данных появляется средняя страница со следующей информацией: 

You will be redirected to your destination shortly.

Эта страница отправляет скрытую форму, и только после этого отображается требуемая конечная страница. Я хочу получить доступ к конечной странице. Но br.open('https://mims.com/india/browse/alphabet/a?cat=drug&tab=brand').read() обращается к средней странице и печатает результаты.

Как мне ждать, пока средняя страница отправит скрытую форму, а затем получит доступ к содержимому конечной страницы?

1 Ответ

2 голосов
/ 25 апреля 2020

Ниже я разместил решение selenium, которое работает, но, немного поняв процесс входа в систему, можно войти, используя только BeautifulSoup и requests. Пожалуйста, прочитайте комментарии к коду.

BeautifulSoup / запросы решения 

import requests
from bs4 import BeautifulSoup

d = {
    "EmailAddress": "your@email.tld",
    "Password": "password",
    "RememberMe":   True,
    "SubscriberId": "",
    "LicenseNumber":    "",
    "CountryCode":  "SG"
}

req = requests.Session()

login_u = "https://sso.mims.com/"
html = req.post(login_u, data=d)

products_url = "https://mims.com/india/browse/alphabet/a?cat=drug"
html = req.get(products_url) # The cookies generated on the previous request will be use on this one automatically because we use Sessions

# Here's the tricky part. The site uses 2 intermediary "relogin" pages that (theoretically) are only available with JavaScript enabled, but we can bypass that, i.e.:

soup = BeautifulSoup(html.text, "html.parser")
form = soup.find('form', {"id": "openid_message"})
form_url = form['action'] # used on the next post request

inputs = form.find_all('input')
form_dict = {}
for input in inputs:
    if input.get('name'):
        form_dict[input.get('name')] = input.get('value')

form_dict['submit_button'] = "Continue"
relogin = req.post(form_url, data=form_dict)


soup = BeautifulSoup(relogin.text, "html.parser")
form = soup.find('form', {"id": "openid_message"})
form_url = form['action'] # used
inputs = form.find_all('input')
form_dict = {}
for input in inputs:
    if input.get('name'):
        form_dict[input.get('name')] = input.get('value')
products_a = req.post(form_url, data=form_dict)
print(products_a.text)

# You can now request any url normally because the necessary cookies are already present on the current Session()
products_url = "https://mims.com/india/browse/alphabet/c?cat=drug"
products_c = req.get(products_url)
print(products_c.text)

Решение Selenium 

from selenium import webdriver
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.common.keys import Keys
from time import sleep

driver = webdriver.Firefox()
wait = WebDriverWait(driver, 10)
driver.maximize_window()

driver.get("https://sso.mims.com/")
el = wait.until(EC.element_to_be_clickable((By.ID, "EmailAddress")))
el.send_keys("your@email.com")

el = wait.until(EC.element_to_be_clickable((By.ID, "Password")))
el.send_keys("password")

el = wait.until(EC.element_to_be_clickable((By.ID, "btnSubmit")))
el.click()

wait.until(EC.element_to_be_clickable((By.CLASS_NAME, "profile-section-header"))) # we logged in successfully

driver.get("http://mims.com/india/browse/alphabet/a?cat=drug")
wait.until(EC.visibility_of_element_located((By.CLASS_NAME, "searchicon")))
print(driver.page_source)

# do what you need with the source code
...