python请求：如何通过post进行身份验证并通过代理访问文件

Question

我正试图通过一个大学代理下载一篇研究文章pdf，我需要登录该代理。我试着遵循[这个答案][1]，但结果下载只包含登录网站

• 文章url可能如下所示：https://iopscience.iop.org/article/10.3847/2041-8213/aaf743/pdf。（这一个恰好是开放访问，但其他的则需要以这种方式访问）

• 在浏览器中，我通过代理来访问它：https://login.emedien.ub.my-university.edu/login?qurl=https%3a%2f%2fiopscience.iop.org%2farticle%2f10.3847%2f2041-8213%2faaf743%2fpdf。此url存储在下面代码示例中的变量long_proxy中

• 在浏览器中，这将显示一个登录表单：

  <form action="/login" method="post">
  <input name="ezproxycsrftoken" type="hidden" value="aBcDeFgH12345"/>
  <input name="url" type="hidden" value="https://iopscience.iop.org/article/10.3847/2041-8213/aaf743/pdf">
  <table>
  <tr><td>University Username:</td><td><input name="user" style="width:250px" tabindex="1" type="text"/></td></tr>
  <tr><td>Password:</td><td><input name="pass" style="width:250px" tabindex="2" type="password"/></td></tr>
  </table>
  </input>
  </form>
  

• 输入用户名/密码后，我会被转发到

  https://iopscience-iop-org.emedien.ub.uni-muenchen.de/article/10.3847/2041-8213/aaf743/pdf

  这将在浏览器中显示PDF。在下面的代码示例中，我将此url称为short_proxy

我尝试通过以下方式处理python请求：

user_name = 'myname'
passwd = 'mypassword'

with requests.Session() as session:

    session.headers.update({'User-Agent': 'Mozilla/5.0'})

    # Parse the input form for the hidden input
    r2      = requests.get(long_proxy)
    soup    = bs4.BeautifulSoup(r2.text, "html.parser")
    form    = soup.find('form')
    hidden  = form.find('input', attrs={'type':'hidden', 'name':'ezproxycsrftoken'}).attrs['value']
    url_res = form.find('input', attrs={'type':'hidden', 'name':'url'}).attrs['value']

    # set up the login

    payload = {
        'user': user_name,
        'pass': passwd,
        'ezproxycsrftoken': hidden,
        'url': url_res
    }

    # post login

    post = session.post(login, data=payload)

    # get data

    r3 = session.get(short_proxy)
    with open('file.pdf', 'wb') as fid:
        fid.write(r3.content)

• 但是，下载的文件实际上不是PDF，而是登录页面的html代码

你知道如何获取PDF吗

  [1]: https://stackoverflow.com/questions/37816565/python-authentication-with-requests-library-via-post

Answer 1

您使用requests.Session()来保存网站提供给您的cookie/会话，但您在获取longproxy的初始请求中使用requests.get()而不是session.get()。 换衣服

r2      = requests.get(long_proxy)

到

r2      = session.get(long_proxy)

应该解决你的问题。但是，我无法验证这一点。

还请注意，您的long_代理

https://login.emedien.ub.uni-muenchen.de/login?qurl=https://iopscience.iop.org/article/10.3847/2041-8213/aaf743/

是简单的登录url，后跟pdf url。因此，您实际上不必获取它。
这可以为您节省一些额外的请求/执行时间