身份验证结果为 404 代码

Question

我需要抓取一个网站，但在此之前我需要先登录。

我似乎需要输入三样东西，用户名、密码和真实性令牌。我知道用户名和密码，但我不确定如何访问令牌。

这是我试过的：

import requests
from lxml import html

login_url = "https://urs.earthdata.nasa.gov/home"

session_requests = requests.session()
result = session_requests.get(login_url)
tree = html.fromstring(result.text)
authenticity_token = list(set(tree.xpath("//input[@name='authenticity_token']/@value")))[0]

payload = {"username": "my_name",
           "password": "my_password",
           "authenticity_token": authenticity_token}

result = session_requests.post(
    login_url, 
    data = payload, 
    headers = dict(referer=login_url)
)

print (result)

这导致：

<Response [404]>

我的姓名和密码输入正确，所以一定是令牌出错了。我认为问题出在这一行：

authenticity_token = list(set(tree.xpath("//input[@name='authenticity_token']/@value")))[0]

或这一行：

payload = {"username": "my_name",
               "password": "my_password",
               "authenticity_token": authenticity_token}

通过查看网页上的源代码，我注意到有一个 authenticity_token、csrf-token 和一个 csrf-param。所以可能这些顺序错误，但我尝试了所有组合。

编辑：

这是一个漂亮的汤方法，再次导致 404。

s = requests.session()                                                         
response = s.get(login_url)   

soup = BeautifulSoup(response.text, "lxml")                                            
for n in soup('input'): 
    if n['name'] == 'authenticity_token':                                             
        token = n['value'] 
    if n['name'] == 'utf8':
        utf8 = n['value']                                               
        break

auth = {                                                                       
    'username': 'my_username'                                                       
    , 'password': 'my_password'                                                 
    , 'authenticity_token': token    
    , 'utf8' : utf8                                                 
}    

s.post(login_url, data=auth)

Answer 1

如果您检查该页面，您会注意到表单操作值是 '/login'，因此您必须将数据提交到 https://urs.earthdata.nasa.gov/login'。

login_url = "https://urs.earthdata.nasa.gov/login"
home_url = "https://urs.earthdata.nasa.gov/home"

s = requests.session()                                                         
soup = BeautifulSoup(s.get(home_url).text, "lxml")                                            
data = {i['name']:i.get('value', '') for i in soup.find_all('input')}
data['username'] = 'my_username'
data['password'] = 'my_password'
result = s.post(login_url, data=data)

print(result)

< Response [200]>

selenium 的简单示例：

from selenium import webdriver

driver = webdriver.Firefox()
url = 'https://n5eil01u.ecs.nsidc.org/MOST/MOD10A1.006/'

driver.get(url)
driver.find_element_by_name('username').send_keys('my_username')
driver.find_element_by_name('password').send_keys('my_password')
driver.find_element_by_id('login').submit()

html = driver.page_source
driver.quit()

身份验证结果为 404 代码

Authentication results in 404 code

python

authentication

lxml

beautifulsoup

access-token