|
ngd
中级用户
拟谷盗
积分 312
发帖 108
注册 2007-1-21
状态 离线
|
 『楼 主』:
[原创]批量智能下载网页图片[抛砖]
在学校上网一直不是很方便，难得有机会研究了一个东东，拿出来抛砖引玉，大家共同探讨批量下载与智能下载。
需求：
在6dzone.com上看到一些不错的图片，http://www.6dzone.com/photo/wyxc/userphoto.asp?pid=8029
http://www.6dzone.com/photo/wyxc/userphoto.asp?pid=10369
但保存图片实在很麻烦，本来网速就超慢，还需要打开一个一个的网页，然后右击图片“另存为”，还是考虑一下批量下载。
分析：
目前用的较多的图片批量下载工具好像是 GlobalFetch ，下载的图片倒是很多，但99%不是自己想要的。
另外迅雷和网际快车都有批量下载功能，但必须是有共同特征的下载地址，只适合下载***001.jpg、***002.jpg、***003.jpg……之类地址的文件。
目前还没有发现一款软件可以满足我的要求，还是自己写个程序来模拟用户操作，毕竟数据都是要通过http完成的，从html代码中也能找到一些共性，把这些重复性的操作都交给程序来执行就行了。
每种语言都有各自的特点，cmd batch 做这些事实在是方便高效，即写即运行。而用高级语言实现就很麻烦，“杀鸡焉用宰牛刀”！
所需命令行工具
curl ——功能强大的命令行浏览器、下载工具
http://www.cn-dos.net/forum/view ... &highlight=curl
wget ——功能强大的命令行下载工具
http://baike.baidu.com/view/1312507.htm
sed ——功能强大的命令行流编辑器
http://www.cn-dos.net/forum/view ... 0%E6%AD%A3%E5%88%99
用好sed、grep、awk等编辑器还需掌握正则表达式
正则表达式
http://www.cn-dos.net/forum/view ... 0%E6%AD%A3%E5%88%99
要解决一个问题必须先有一个环境，毕竟一个方案不可能通吃所有问题，只针对6dzone的相册下载。个人喜欢使用遨游浏览器，先将喜欢的相册网址添加到收藏夹再将收藏的网址导出为bookmark.html文件。
使用sed解析bookmark.htm文件，获取所要的网址，
找出有网址的行
sed "/photo/!d" bookmark.htm 或者
sed -n "/photo/p" bookmark.htm 再获取引号中间的网址，合起来就是：（其中"的ASII码值为34，转换为正则表达式即为 \x22）
sed "/photo/!d;s/[^\x22]*\x22//;s/\x22.*//" bookmark.htm 另外6dzone需要注册用户认证登陆才能看到大图片，需要使用curl模拟用户登陆并导出cookie
首先得分析一下网页代码及其表单，推荐使用View page插件，另外IE的httpwatch和Firefox的TamperData都是很不错的插件！
curl提交表单一般有2种方法：get方式和post方式，这得取决于表单的method，另外还得分析一下 Action 和 提交表单要用的 Name
以下是cn-dos论坛登陆页面的html代码
----------------------------------------------------------------------------------------------------------
<FORM action=logging.php?action=login method=post><INPUT type=hidden value=28c5c8a4 name=formhash> <INPUT type=hidden value=http://www.cn-dos.net/forum/viewthread.php?tid=22634&fpage=1&highlight=sed%20%2B%20wget%20%2B%20%E6%AD%A3%E5%88%99&sid=FHJYXn name=referer>
<TABLE cellSpacing=0 cellPadding=0 width="99%" align=center border=0>
<TBODY>
<TR>
<TD bgColor=#dde3ec>
<TABLE cellSpacing=1 cellPadding=4 width="100%" border=0>
<TBODY>
<TR class=header>
<TD colSpan=2>会员登录</TD></TR>
<TR>
<TD bgColor=#f8f9fc>隐身登录:</TD>
<TD class=smalltxt bgColor=#ffffff><SELECT name=loginmode> <OPTION value="" selected>- 使用默认 -</OPTION> <OPTION value=normal>正常模式</OPTION> <OPTION value=invisible>隐身模式</OPTION></SELECT> </TD></TR>
<TR>
<TD bgColor=#f8f9fc>界面风格:</TD>
<TD bgColor=#ffffff><SELECT name=styleid><OPTION value="" selected>- 使用默认 -</OPTION> <OPTION value=1>Default Style</OPTION></SELECT> </TD></TR>
<TR>
<TD bgColor=#f8f9fc>Cookie 有效期:</TD>
<TD class=smalltxt bgColor=#ffffff><INPUT type=radio value=31536000 name=cookietime> 一年 <INPUT style="BACKGROUND: #ffffcc" type=radio CHECKED value=31536000 name=cookietime> 一个月 <INPUT type=radio value=86400 name=cookietime> 一天 <INPUT type=radio value=0 name=cookietime> 浏览器进程 <A href="faq.php?page=usermaint#2" target=_blank>[相关帮助]</A></TD></TR>
<TR>
<TD bgColor=#ffffff colSpan=2 height=1></TD></TR>
<TR>
<TD align=middle colSpan=2><FONT color=red>注意：</FONT>老用户 <B>首次</B> 登录转换的PHP论坛前，请先修复密码，详情请见<A href="http://www.cn-dos.net/forum/announcement.php?id=2#2">论坛公告</A>。</TD></TR>
<TR>
<TR>
<TD width="21%" bgColor=#f8f9fc>用户名(必填):</TD>
<TD bgColor=#ffffff><INPUT style="BACKGROUND: #ffffcc" tabIndex=1 maxLength=40 size=25 name=username> <SPAN class=smalltxt><A href="register.php">立即注册</A></SPAN></TD></TR>
<TR>
<TD bgColor=#f8f9fc>密码(必填):</TD>
<TD bgColor=#ffffff><INPUT style="BACKGROUND: #ffffcc" tabIndex=2 type=password size=25 value="" name=password> <SPAN class=smalltxt><A href="member.php?action=lostpasswd">忘记密码</A></SPAN></TD></TR>
----------------------------------------------------------------------------------------------------------
用curl登陆cn-dos论坛
curl -d "username=ngd&password=cndos" http://www.cn-dos.net/forum/logging.php?action=login 顺带提一下直接在浏览器中打开并登陆可以使用下面的代码
http://www.cn-dos.net/forum/logging.php?action=login&username=ngd&password=cndos&loginsubmit=. 将登陆后的cookie保存在6dzonecookie.txt中
curl -c 6dzonecookie.txt 使用cookie文件
curl -b 6dzonecookie.txt 伪装成IE浏览器
curl -A "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.01)" 合起来就是
curl -c 6dzonecookie.txt -A "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.01)" -d "username=dddddd6&pwd=cndos" http://www.6dzone.com/user/f_login.asp>nul wget最简单的用法
wget http://www.cn-dos.net/forum/images/default/logo.gif 我这网络不太稳定，网速超慢，再多加一些参数
wget -t 8 -w 3 -T 30 -c -N 其他的没什么好说的，主要是sed的用法，再来一个for嵌套循环就OK了。
全部代码：
@echo off
rem code by 拟谷盗 for download 6dzone photo.
curl -c 6dzonecookie.txt -A "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.01)" -d "username=dddddd6&pwd=cndos" http://www.6dzone.com/user/f_login.asp>nul
for /f "delims=" %%a in ('sed "/photo/!d;s/[^\x22]*\x22//;s/\x22.*//" bookmark.htm') do (
for /f "usebackq delims=" %%b in (`curl %%a ^| sed "/pic_id/!d;s/[^\x22]*\x22//;s/\x22.*//;s/photo.asp/pic.asp/g;s/\/photo/http:\/\/www.6dzone.com&/g"`) do (
curl -b 6dzonecookie.txt -A "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.01)" %%b | sed "/http:\/\/.*jpg/!d;s/.*http/http/g;s/jpg.*/jpg/g" >>picurl.list
wget -t 8 -w 3 -T 30 -c -N -i picurl.list
del picurl.list
)
)
del 6dzonecookie.txt
exit/b 粗略看了一下，写的很乱，暂时就这样了，有时间再整理整理。
另外代码也不够简洁，哪位达人再帮忙改改，以后下载网页图片就方便多了! 
curl+wget+sed+bat文件 下载
http://upload.cn-dos.net/img/095.rar
解压后运行 bat文件即可下载图片
[ Last edited by ngd on 2008-3-15 at 02:05 PM ]
|
FLOSS |
|
 2008-3-14 17:00 |
|
|
plp626
银牌会员
钻石会员
积分 2278
发帖 1020
注册 2007-11-19
状态 离线
|
『第
2 楼』:
对wget curl正在学习中,有楼主的这样的帖子做样例受益匪浅
在此加分鼓励楼主下次奉献
[ Last edited by plp626 on 2008-3-14 at 06:41 PM ]
|
山外有山，人外有人；低调做人，努力做事。
进入网盘(各种工具)~~ 空间~~cmd学习 |
|
|
2008-3-14 18:21 |
|
|
plp626
银牌会员
钻石会员
积分 2278
发帖 1020
注册 2007-11-19
状态 离线
|
|
|
2008-3-14 19:51 |
|
|
ngd
中级用户
拟谷盗
积分 312
发帖 108
注册 2007-1-21
状态 离线
|
『第
4 楼』:
刚刚我还以为是 XX网站用了 VirtualWall防盗链技术
原来是百度自己的加密算法，直接从搜索结果中找实际地址好像行不通。
还得继续从搜索出的结果中找个链接再爬一次，不过链接地址太长而且又有一大堆符号，用curl好像不行，可以用 wget "url" -O file 生成一个临时文件，再到这个临时文件中找出mp3的实际地址。
wget -O tmp.htm "http://220.181.38.82/m?ct=134217728&tn=baidusg,不得不爱 &word=mp3,http://www.yantaiblog.net/UploadFiles/2007-7/aGhmbGtmbGsx.mp3,,[%B2%BB%B5%C3%B2%BB%B0%AE]&si=%B2%BB%B5%C3%B2%BB%B0%AE;;%C5%CB%E7%E2%B0%D8;;51913;;51913&lm=16777216"
sed "/www.*mp3/!d;s/.*www/http:\/\/www/;s/mp3.*/mp3/" tmp.htm 你可以试一试 这个虽然麻烦了一点 但还是行得通的！look
期盼早日见到兄的程序，谨祝万事顺利！
|
FLOSS |
|
|
2008-3-14 23:30 |
|
|
suntb
高级用户
积分 581
发帖 277
注册 2006-12-23
状态 离线
|
|
|
2008-3-14 23:45 |
|
|
plp626
银牌会员
钻石会员
积分 2278
发帖 1020
注册 2007-11-19
状态 离线
|
『第
6 楼』:
谢谢!
虽然基本功还很差,但有兄提供的思路我对此就很有信心,对wget还不熟悉,
继续学习吧,我相信功到自然成...
|
山外有山，人外有人；低调做人，努力做事。
进入网盘(各种工具)~~ 空间~~cmd学习 |
|
|
2008-3-14 23:47 |
|
|
ngd
中级用户
拟谷盗
积分 312
发帖 108
注册 2007-1-21
状态 离线
|
『第
7 楼』:
o(∩_∩)o...共同进步吧
难得见到志同道合的朋友，我们追求的都是 自由、开放、共享！
感觉论坛中不少用户只是为了问问题才注册的，而且好像也没有搜索的习惯~_~
另外好像见到兄在统计 论坛中的学生人数
在此报到一声
中国的教育总让人感到愤慨！上大学总不知道自己应该做什么，所有我所接触的课程我都不明白以后工作中怎么用，对我来说，要是不知道这样做能实现什么的话那就没有学的必要了，还是到这样一个论坛逛逛不错！
|
FLOSS |
|
|
2008-3-15 00:16 |
|
|
plp626
银牌会员
钻石会员
积分 2278
发帖 1020
注册 2007-11-19
状态 离线
|
『第
8 楼』:
o(∩_∩)o... 知音难觅,能聊到一起就是缘分.
快要毕业了,才深知学生的幸福...感慨也没用了.
刚上大学也许不知到该干什么,到知道该干什么时, 时间不允许了,所以多学有益.
人生没有回头路, 希望兄台 大学时光 可以留下巨人的脚印^_^
oooO.............
(....)... Oooo...
.\..(.....(.....)...
..\_)..... )../....
.......... (_/.....
oooO.............
(....)... Oooo...
.\..(.....(.....)...
..\_)..... )../....
.......... (_/.....
oooO.............
(....)... Oooo...
.\..(.....(.....)...
..\_)..... )../....
.......... (_/.....
oooO.............
(....)... Oooo...
.\..(.....(.....)...
..\_)..... )../....
.......... (_/.....
oooO.............
(....)... Oooo...
.\..(.....(.....)...
..\_)..... )../....
.......... (_/.....
oooO.............
(....)... Oooo...
.\..(.....(.....)...
..\_)..... )../....
.......... (_/.....
oooO.............
(....)... Oooo...
.\..(.....(.....)...
..\_)..... )../....
.......... (_/.....
oooO.............
(....)... Oooo...
.\..(.....(.....)...
..\_)..... )../....
.......... (_/.....
oooO.............
(....)... Oooo...
.\..(.....(.....)...
..\_)..... )../....
.......... (_/.....
oooO.............
(....)... Oooo...
.\..(.....(.....)...
..\_)..... )../....
.......... (_/.....
[ Last edited by plp626 on 2008-3-15 at 03:11 AM ]
|
山外有山，人外有人；低调做人，努力做事。
进入网盘(各种工具)~~ 空间~~cmd学习 |
|
|
2008-3-15 03:09 |
|
|
knoppix7
银牌会员
积分 1287
发帖 634
注册 2007-5-2
来自 cmd.exe
状态 离线
|
『第
9 楼』:
直接搜索定位 "歌曲出处：",它后面的就是URL了
|
|
|
2008-3-15 11:49 |
|
|
wanlf
新手上路
积分 4
发帖 2
注册 2008-2-17
状态 离线
|
|
|
2008-3-15 11:54 |
|
|
knoppix7
银牌会员
积分 1287
发帖 634
注册 2007-5-2
来自 cmd.exe
状态 离线
|
『第
11 楼』:
明白了.
直接
http://mp3.baidu.com/u?u=加密后的地址
用curl/wget直接下就可以了
然后来自CSDN的解密方法(既然百度自己能解密。就不用自己写了把.)
#!/bin/sh
# Author Liang
# Modified at June 14 2004
#
rm mp3.list html.list link.list mp3topsong.html
wget http://list.mp3.baidu.com/topso/mp3topsong.html
cat mp3topsong.html | tr \" \\n | grep htm$ >html.list
CC=1
for VAL in `cat html.list`
do
wget http://list.mp3.baidu.com/topso/$VAL -O $CC.html
cat $CC.html | tr \" \\n | grep mp3\$ | grep http | head -1 >> mp3.list
echo -ne "$CC " >> link.list
cat $CC.html | tr \" \\n | grep mp3\$ | grep http | head -1 >> link.list
CC=`expr $CC + 1`
done
CC=1
for VAL in `cat mp3.list`
do
echo $CC
wget $VAL -O $CC.mp3
echo $VAL
CC=`expr $CC + 1`
done
more mp3topsong.html | sed "s/target=_blank/\\n/g" | grep ^\> | grep href | cut -f1 -d\< | cut -f2 -d\> |grep ^[0-9] > name.l
ist
CC=1
while [ $CC -le 600 ]
do
NAME=`grep ^$CC' ' name.list | gawk '{print $2}'`
LINK=`grep ^$CC' ' link.list | gawk '{print $2}'`
echo $NAME $LINK
CC=`expr $CC + 1`
done
|
|
|
2008-3-15 12:01 |
|
|
ngd
中级用户
拟谷盗
积分 312
发帖 108
注册 2007-1-21
状态 离线
|
『第
12 楼』:
| Quote: | | 直接搜索定位 "歌曲出处：",它后面的就是URL了 |
|
无语
LS 试过成功了吗！？
| Quote: | | 然后来自CSDN的解密方法(既然百度自己能解密。就不用自己写了把.) |
|
能写出解密算法那就最好了。
刚看到这段bash代码还有点兴奋，本打算将其“翻译”成cmd batch，借以品味一下这两种shell之间的差别。
结果LS又让人失望了，第3行就不对头了（不包括注释行、空行），毕竟是2004的代码，早就不管用了，3~17行完成了mp3下载功能 但之间没有什么解密算法啊。~_~ ！！
LS 可看过代码？！
[ Last edited by ngd on 2008-3-16 at 11:29 AM ]
|
FLOSS |
|
|
2008-3-15 21:01 |
|
|
ngd
中级用户
拟谷盗
积分 312
发帖 108
注册 2007-1-21
状态 离线
|
『第
13 楼』:
| Quote: | Originally posted by plp626 at 2008-3-15 03:09:
o(∩_∩)o... 知音难觅,能聊到一起就是缘分.
到知道该干什么时, 时间不 ... |
|
恭喜兄找到了学习和生活的方向感o(∩_∩)o...
“人最宝贵的是生命。生命对于每个人只有一次。人的一生应当这样度过：回首往事，他不会因为虚度年华而悔恨，也不会因为碌碌无为而羞愧。”
[ Last edited by ngd on 2008-3-15 at 09:15 PM ]
|
FLOSS |
|
|
2008-3-15 21:12 |
|
|
knoppix7
银牌会员
积分 1287
发帖 634
注册 2007-5-2
来自 cmd.exe
状态 离线
|
|
|
2008-3-16 19:00 |
|
|
ngd
中级用户
拟谷盗
积分 312
发帖 108
注册 2007-1-21
状态 离线
|
『第
15 楼』:
成功下载了 error.html
|
FLOSS |
|
|
2008-3-17 00:33 |
|
