摘要：至此登錄功能初步實(shí)現(xiàn)。為了方便我們快速定位到每節(jié)課的所有資源，可以把一節(jié)課的所有資源文件均命名為課名文件類型?？梢钥匆幌乱粋€(gè)測(cè)試?yán)又械奈募?，部分?nèi)容如下到這里為止，我們已經(jīng)成功完成爬取課程資源的目標(biāo)，具體的代碼放在上。

原文地址

有時(shí)候我們需要把一些經(jīng)典的東西收藏起來(lái)，時(shí)時(shí)回味，而Coursera上的一些課程無(wú)疑就是經(jīng)典之作。Coursera中的大部分完結(jié)課程都提供了完整的配套教學(xué)資源，包括ppt，視頻以及字幕等，離線下來(lái)后會(huì)非常便于學(xué)習(xí)。很明顯，我們不會(huì)去一個(gè)文件一個(gè)文件的下載，只有傻子才那么干，程序員都是聰明人！

那我們聰明人準(zhǔn)備怎么辦呢？當(dāng)然是寫一個(gè)腳本來(lái)批量下載了。首先我們需要分析一下手工下載的流程：登錄自己的Coursera賬戶(有的課程需要我們登錄并選課后才能看到相應(yīng)的資源)，在課程資源頁(yè)面里，找到相應(yīng)的文件鏈接，然后用喜歡的工具下載。

很簡(jiǎn)單是吧？我們可以用程序來(lái)模仿以上的步驟，這樣就可以解放雙手了。整個(gè)程序分為三個(gè)部分就可以了：

登錄Coursera；

在課程資源頁(yè)面里面找到資源鏈接；

根據(jù)資源鏈接選擇合適的工具下載資源。

下面就來(lái)具體的實(shí)現(xiàn)以下吧！

剛開始時(shí)自己并沒(méi)有添加登錄模塊，以為訪客就可以下載相應(yīng)的課程資源，后來(lái)在測(cè)試comnetworks-002這門課程時(shí)發(fā)現(xiàn)訪客訪問(wèn)資源頁(yè)面時(shí)會(huì)自動(dòng)跳轉(zhuǎn)到登錄界面，下圖是chrome在隱身模式訪問(wèn)該課程資源頁(yè)面時(shí)的情況。

要想模擬登錄，我們先找到登錄的頁(yè)面，然后利用google的Developer Tools分析賬號(hào)密碼是如何上傳到服務(wù)器的。

我們?cè)诘卿涰?yè)面的表單中填入賬號(hào)密碼，然后點(diǎn)擊登錄。與此同時(shí)，我們需要雙眼緊盯Developer Tools——Network，找到提交賬號(hào)信息的url。一般情況下，如果要向服務(wù)器提交信息，一般都用post方法，這里我們只需要先找到Method為post的url。悲劇的是，每次登錄賬號(hào)時(shí)，Network里面都找不到提交賬戶信息的地址。猜測(cè)登錄成功后，直接跳轉(zhuǎn)到登錄成功后的頁(yè)面，想要找的內(nèi)容一閃而過(guò)了。

于是就隨便輸入了一組賬號(hào)密碼，故意登錄失敗，果真找到了post的頁(yè)面地址，如下圖:

地址為：https://accounts.coursera.org/api/v1/login。為了知道向服務(wù)器提交了哪些內(nèi)容，進(jìn)一步觀察post頁(yè)面中表單中內(nèi)容，如下圖：

我們看到一共有三個(gè)字段：

email：賬號(hào)的注冊(cè)郵箱

password：賬號(hào)密碼

webrequest：附加的字段，值為true。

接下來(lái)就動(dòng)手寫吧，我選擇用python的Requests庫(kù)來(lái)模擬登錄，關(guān)于Requests官網(wǎng)是這樣介紹的。

Requests is an elegant and simple HTTP library for Python, built for human beings.

事實(shí)上requests用起來(lái)確實(shí)簡(jiǎn)單方便，不虧是專門為人類設(shè)計(jì)的http庫(kù)。requests提供了Session對(duì)象，可以用來(lái)在不同的請(qǐng)求中傳遞一些相同的數(shù)據(jù)，比如在每次請(qǐng)求中都攜帶cookie。

初步的代碼如下：

signin_url = "https://accounts.coursera.org/api/v1/login"
logininfo = {"email": "...",
             "password": "...",
             "webrequest": "true"
             }

user_agent = ("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_4) "
              "AppleWebKit/537.36 (KHTML, like Gecko) "
              "Chrome/36.0.1985.143 Safari/537.36")

post_headers = {"User-Agent": user_agent,
                "Referer": "https://accounts.coursera.org/signin"
                }
coursera_session = requests.Session()

login_res = coursera_session.post(signin_url,
                                  data=logininfo,
                                  headers=post_headers,
                                  )
if login_res.status_code == 200:
    print "Login Successfully!"
else:
    print login_res.text

將表單中提交的內(nèi)容存放在字典中，然后作為data參數(shù)傳遞給Session.post函數(shù)。一般情況下，最好是加上請(qǐng)求User-Agent，Referer等請(qǐng)求頭部，User-Agent用來(lái)模擬瀏覽器請(qǐng)求，Referer用來(lái)告訴服務(wù)器我是從referer頁(yè)面跳轉(zhuǎn)到請(qǐng)求頁(yè)面的，有時(shí)候服務(wù)器會(huì)檢查請(qǐng)求的Referer字段來(lái)保證是從固定地址跳到當(dāng)前請(qǐng)求頁(yè)的。

上面片段的運(yùn)行結(jié)果很奇怪，顯示如下信息：Invalid CSRF Token。后來(lái)在github上面搜索到一個(gè)Coursera的批量下載腳本，發(fā)現(xiàn)人家發(fā)送頁(yè)面請(qǐng)求時(shí)headers多了XCSRF2Cookie, XCSRF2Token, XCSRFToken, cookie4個(gè)字段。于是又重新看了一下post頁(yè)面的請(qǐng)求頭部，發(fā)現(xiàn)確實(shí)有這幾個(gè)字段，估計(jì)是服務(wù)器端用來(lái)做一些限制的。

用瀏覽器登錄了幾次，發(fā)現(xiàn)XCSRF2Token, XCSRFToken是長(zhǎng)度為24的隨機(jī)字符串，XCSRF2Cookie為"csrf2_token_"加上長(zhǎng)度為8的隨機(jī)字符串。不過(guò)一直沒(méi)搞明白Cookie是怎么求出來(lái)的，不過(guò)看github上面代碼，Cookie似乎只是"csrftoken"和其他三個(gè)的組合，試了一下竟然可以。

在原來(lái)的代碼上添加以下部分就足夠了。

def randomString(length):
    return "".join(random.choice(string.letters + string.digits) for i in xrange(length))

XCSRF2Cookie = "csrf2_token_%s" % "".join(randomString(8))
XCSRF2Token = "".join(randomString(24))
XCSRFToken = "".join(randomString(24))
cookie = "csrftoken=%s; %s=%s" % (XCSRFToken, XCSRF2Cookie, XCSRF2Token)

post_headers = {"User-Agent": user_agent,
                "Referer": "https://accounts.coursera.org/signin",
                "X-Requested-With": "XMLHttpRequest",
                "X-CSRF2-Cookie": XCSRF2Cookie,
                "X-CSRF2-Token": XCSRF2Token,
                "X-CSRFToken": XCSRFToken,
                "Cookie": cookie
                }

至此登錄功能初步實(shí)現(xiàn)。

登錄成功后，我們只需要get到資源頁(yè)面的內(nèi)容，然后過(guò)濾出自己需要的資源鏈接就行了。資源頁(yè)面的地址很簡(jiǎn)單，為https://class.coursera.org/name/lecture，其中name為課程名稱。比如對(duì)于課程comnetworks-002，資源頁(yè)面地址為https://class.coursera.org/comnetworks-002/lecture。

抓取到頁(yè)面資源后，我們需要分析html文件，這里選擇使用BeautifulSoup。BeautifulSoup是一個(gè)可以從HTML或XML文件中提取數(shù)據(jù)的Python庫(kù)，相當(dāng)強(qiáng)大。具體使用官網(wǎng)上有很詳細(xì)的文檔，這里不再贅述。在使用BeautifulSoup前，我們還得找出資源鏈接的規(guī)律，方便我們過(guò)濾。

其中課程每周的總題目為class=course-item-list-header的div標(biāo)簽下，每周的課程均在class=course-item-list-section-list的ul標(biāo)簽下，每節(jié)課程在一個(gè)li標(biāo)簽中，課程資源則在li標(biāo)簽中的div標(biāo)簽中。

查看了幾門課程之后，發(fā)現(xiàn)過(guò)濾資源鏈接的方法很簡(jiǎn)單，如下：

ppt和ppt資源：用正則表達(dá)式匹配鏈接；

字幕資源：找到title="Subtitles (srt)"的標(biāo)簽，取其href屬性；

視頻資源：找到title="Video (MP4)"的標(biāo)簽，取其href屬性即可。

字幕和視頻也可以用正則表達(dá)式過(guò)濾，不過(guò)用BeautifulSoup根據(jù)title屬性來(lái)匹配，有更好的易讀性。而ppt和pdf資源，沒(méi)有固定的title屬性，只好利用正則表達(dá)式來(lái)匹配。

具體代碼如下：

soup = BeautifulSoup(content)
chapter_list = soup.find_all("div", class_="course-item-list-header")
lecture_resource_list = soup.find_all("ul", class_="course-item-list-section-list")

ppt_pattern = re.compile(r"https://[^"]*.ppt[x]?")
pdf_pattern = re.compile(r"https://[^"]*.pdf")
for lecture_item, chapter_item in zip(lecture_resource_list, chapter_list):
    # weekly title
    chapter = chapter_item.h3.text.lstrip()

    for lecture in lecture_item:
        lecture_name = lecture.a.string.lstrip()

        # get resource link
        ppt_tag = lecture.find(href=ppt_pattern)
        pdf_tag = lecture.find(href=pdf_pattern)
        srt_tag = lecture.find(title="Subtitles (srt)")
        mp4_tag = lecture.find(title="Video (MP4)")
        print ppt_tag["href"], pdf_tag["href"]
        print srt_tag["href"], mp4_tag["href"]

既然已經(jīng)得到了資源鏈接，下載部分就很容易了，這里我選擇使用curl來(lái)下載。具體思路很簡(jiǎn)單，就是輸出curl resource_link -o file_name到一個(gè)種子文件中去，比如到feed.sh中。這樣只需要給種子文件執(zhí)行權(quán)限，然后運(yùn)行種子文件即可。

為了便于歸類課程資源，可以為課程每周的標(biāo)題建立一個(gè)文件夾，之后該周的所有課程均下載在該目錄下。為了方便我們快速定位到每節(jié)課的所有資源，可以把一節(jié)課的所有資源文件均命名為課名.文件類型。具體的實(shí)現(xiàn)比較簡(jiǎn)單，這里不再給出具體程序了?？梢钥匆幌乱粋€(gè)測(cè)試?yán)又械膄eed.sh文件，部分內(nèi)容如下：

mkdir "Week 1: Introduction, Protocols, and Layering"
cd "Week 1: Introduction, Protocols, and Layering"
curl https://d396qusza40orc.cloudfront.net/comnetworks/lect/1-readings.pdf -o "1-1 Goals and Motivation (15:46).pdf"
curl https://class.coursera.org/comnetworks-002/lecture/subtitles?q=25_en&format=srt -o "1-1 Goals and Motivation (15:46).srt"
curl https://class.coursera.org/comnetworks-002/lecture/download.mp4?lecture_id=25 -o "1-1 Goals and Motivation (15:46).mp4"
curl https://d396qusza40orc.cloudfront.net/comnetworks/lect/1-readings.pdf -o "1-2 Uses of Networks (17:12).pdf"
curl https://class.coursera.org/comnetworks-002/lecture/subtitles?q=11_en&format=srt -o "1-2 Uses of Networks (17:12).srt"
curl https://class.coursera.org/comnetworks-002/lecture/download.mp4?lecture_id=11 -o "1-2 Uses of Networks (17:12).mp4"

到這里為止，我們已經(jīng)成功完成爬取Coursera課程資源的目標(biāo)，具體的代碼放在gist上。使用時(shí)，我們只需要運(yùn)行程序，并把課程名稱作為參數(shù)傳遞給程序就可以了(這里的課程名稱并不是整個(gè)課程的完整名字，而是在課程介紹頁(yè)面地址中的縮略名字，比如Computer Networks這門課，課程名稱是comnetworks-002)。

其實(shí)，這個(gè)程序可以看做一個(gè)簡(jiǎn)單的小爬蟲程序了，下面粗略介紹下爬蟲的概念。

關(guān)于什么是爬蟲，wiki上是這樣說(shuō)的

A Web crawler is an Internet bot that systematically browses the World Wide Web, typically for the purpose of Web indexing.

爬蟲的總體架構(gòu)圖如下(圖片來(lái)自wiki)：

簡(jiǎn)單來(lái)說(shuō)，爬蟲從Scheduler中獲取初始的urls，下載相應(yīng)的頁(yè)面，存儲(chǔ)有用的數(shù)據(jù)，同時(shí)分析該頁(yè)面中的鏈接，如果已經(jīng)訪問(wèn)就pass，沒(méi)訪問(wèn)的話加入到Scheduler中等待抓取頁(yè)面。

當(dāng)然有一些協(xié)議來(lái)約束爬蟲的行為規(guī)范，比如許多網(wǎng)站都有一個(gè)robots.txt文件來(lái)規(guī)定網(wǎng)站哪些內(nèi)容可以被爬取，哪些不可以。

每個(gè)搜索引擎背后都有一個(gè)強(qiáng)大的爬蟲程序，把觸角伸到網(wǎng)絡(luò)中的所有角落，不斷去收集有用信息，并建立索引。這種搜索引擎級(jí)別的爬蟲實(shí)現(xiàn)起來(lái)非常復(fù)雜，因?yàn)榫W(wǎng)絡(luò)上的頁(yè)面數(shù)量太過(guò)龐大，只是遍歷他們就已經(jīng)很困難了，更不要說(shuō)去分析頁(yè)面信息，并建立索引了。

實(shí)際應(yīng)用中，我們只需要爬取特定站點(diǎn)，抓取少量的資源，這樣實(shí)現(xiàn)起來(lái)簡(jiǎn)單很多。不過(guò)仍然有許多讓人頭疼的問(wèn)題，比如許多頁(yè)面元素是javascript生成的，這時(shí)候我們需要一個(gè)javascript引擎，渲染出整個(gè)頁(yè)面，再加以過(guò)濾。

更糟糕的是，許多站點(diǎn)都會(huì)用一些措施來(lái)阻止爬蟲爬取資源，比如限定同一IP一段時(shí)間的訪問(wèn)次數(shù)，或者是限制兩次操作的時(shí)間間隔，加入驗(yàn)證碼等等。絕大多數(shù)情況下，我們不知道服務(wù)器端是如何防止爬蟲的，所以要想讓爬蟲工作起來(lái)確實(shí)挺難的。

參考：
github:coursera-dl/coursera
github:coursera-downloader
python爬取頁(yè)面元素失敗
Wiki: Web crawler
Python 爬蟲如何入門學(xué)習(xí)？