【perl】使用LWP获取带cookie验证的HTTPS网页
最近想到公司网站下一些文档，结果网站上做了下载总大小限制，没办法只好写个脚本来获取。
运行环境1：Windows XP StrawberryPerl 5.20 （WIKI:http://win32.perl.org/wiki/index.php?title=Strawberry_Perl）
运行环境2：Linux perl 5.8.8
抓包工具：
HttpWatch Professional v6.0.14 IE插件
Firefox上的Firebug和Live HTTP Headers插件，Chrome Web上的Developer Tools，我都试过，还是觉得httpwatch抓包的结果最满意。
我之前登录网页，都是直接将要访问的连接贴到浏览器，然后浏览器会弹出对话框，要求输入帐号密码。
这里，我需要抓一下包，之前我一直使用Firebug抓包，结果抓的都是GET消息，最后获取到状态为200的页面，以下就是网页内容
<HTML>
<!-- File: llgettz.html -->
<SCRIPT Language="Javascript1.2">
function getTime()
{
var llglogin_CurrentClientTime = new Date()
var llglogin_year = ( llglogin_CurrentClientTime.getFullYear == null ) ? llglogin_CurrentClientTime.getYear() : llglogin_CurrentClientTime.getFullYear()
var llglogin_month = llglogin_CurrentClientTime.getMonth() + 1
var llglogin_date = llglogin_CurrentClientTime.getDate()
var llglogin_hour = llglogin_CurrentClientTime.getHours()
var llglogin_minute = llglogin_CurrentClientTime.getMinutes()
var llglogin_second = llglogin_CurrentClientTime.getSeconds()
document.LoginForm.CurrentClientTime.value = 'D/' + llglogin_year + '/' + llglogin_month + '/' + llglogin_date
document.LoginForm.CurrentClientTime.value += ':' + llglogin_hour + ':' + llglogin_minute + ':' + llglogin_second
document.LoginForm.submit()
}
</SCRIPT>
<BODY BGCOLOR="#FFFFFF" BACKGROUND="/img/pattern.gif" onLoad="getTime()">
<FORM NAME="LoginForm" METHOD="POST" ACTION="/livelink/livelink.exe">
<INPUT TYPE="HIDDEN" NAME="func" VALUE="ll.login">
<INPUT TYPE="HIDDEN" NAME="CurrentClientTime" VALUE="">
<INPUT TYPE="HIDDEN" NAME="NextURL" VALUE="/livelink/livelink.exe?Redirect=1">
</FORM>
Your browser should have redirected you to the next
Livelink page. Please click on the link below to
continue.
<BR><BR>
<A HREF="/livelink/livelink.exe?Redirect=1">/livelink/livelink.exe?Redirect=1</A>
</BODY>
</HTML>
<!-- End File: llgettz.html -->
我用LWP::UserAgent来GET的时候，也是只能获取到这一步。这步出现了一个奇怪的事情，同一份脚本，我在windows XP下运行时，可以获取到cookie，但是在linux服务器上运行，却没有cookie。
事实上，从抓到包的结果中看，这里网站确实没有返回cookie。 cookie是在POST到login页面后，才返回的。 所以为什么windows下可以获取到cookie，我还没弄懂。 （我去CU，CSDN上都发帖问过，都没人回答，所以如果有人知道，希望不吝赐教。）
用HttpWatch来抓包，结果这里面就能看到POST的动作，但是Firebug 和 Live HTTP Headers都没抓到这个动作。
这时，浏览器执行了返回页面中的一段javascript。
<FORM NAME="LoginForm" METHOD="POST" ACTION="/livelink/livelink.exe"> <INPUT TYPE="HIDDEN" NAME="func" VALUE="ll.login"> <INPUT TYPE="HIDDEN" NAME="CurrentClientTime" VALUE=""> <INPUT TYPE="HIDDEN" NAME="NextURL" VALUE="/livelink/livelink.exe?Redirect=1"> </FORM>所以，脚本在初始化的时候，就是应该模拟发送POST消息，完成登录（前面的GET流程都不需要），然后保存cookie，接着就可以随意地get file or post file。
以后需要登录网页后获取网站信息之类的，就只用照葫芦画瓢。
#!/usr/bin/perl
package Livelink;
use LWP::UserAgent;
use MIME::Base64 qw(encode_base64);
use HTTP::Cookies;
my $Basic_Url = "https://wcdma-ll.app.alcatel-lucent.com/livelink/livelink.exe";
sub new
{
my $invocant = shift;
my $class = ref $invocant || $invocant;
my $self = {
login => shift,
password => shift
};
bless $self, $class;
$self->init();
return $self;
}
sub init
{
my $self = shift;
$self->{browser} = LWP::UserAgent->new(ssl_opts => {verify_hostname => 0});
#设置http代理
$self->{browser}->proxy('http', 'http://135.251.33.31:80');
#将用户名密码进行base64编码
die "Error: Login NONE.\n" if (! $self->{login});
die "Error: Password NONE.\n" if (! $self->{password});
$self->{encode_login} = encode_base64($self->{login} . ":" . $self->{password});
#模拟浏览器的header，我访问的网页比较特殊，请求头中带有Authorization字段来进行鉴权。
#也可以通过credentials方法来登录
my @headers = ('User-Agent' => 'Mozilla/5.0',
Authorization => "Basic $self->{encode_login}",
);
#这里是LWP::UserAgent对象调用default_header函数，它具有全局性
#即后面对网页请求时，都会带有@headers的信息
#在后面的HTTP::Reques对象也有个header函数，使用方法跟default_header一样
#但是它的header信息只在当前的请求中生效。
$self->{browser}->default_header(@headers);
$self->{cookie_jar} = HTTP::Cookies->new;
#设置cookie，正如前面所描述的，LWP::UserAgent对象调用的方法，在后面每次网页请求中都生效
$self->{browser}->cookie_jar( $self->{cookie_jar} );
#根据上面讲到的那段JAVASCRIPT，来构造post消息中的content字段。
my $content = {
# NextURL=>'/livelink/livelink.exe?Redirect=1',
func=>'ll.login',
};
#这里用$self->{browser}->post比较简单
#如果用$req = HTTP::Request->new(POST => $Basic_Url)来POST的话
#在构造$req->content之前，还需指明$req->content_type
#my $resp = $self->{browser}->post( $Basic_Url, Content => $content );
my $req = HTTP::Request->new(POST => $Basic_Url);
$req->content_type('application/x-www-form-urlencoded');
$req->content('func=ll.login');
my $resp = $self->{browser}->request($req);
if ($resp->is_success)
{
print "Login Success.\n";
}
else
{
print "Login Error.\n" . $resp->status_line . "\n";
exit 1;
}
}
sub get_web_content{
my $self = shift;
my ($url) = @_;
print "\tNow, processing $url\n";
my $get_cookie = 1;
while ($get_cookie)
{
#调用HTTP::Request对象，对网页进行GET请求
#效果和$self->{browser}->get($url)一样，这里是为了后面打印$request->headers_as_string
my $request = HTTP::Request->new('GET', $url);
#default_header设置好后，这里就不需要重复调用了
#$request->header(Authorization => "Basic $self->{encode_login}");
my $response = $self->{browser}->request($request);
$self->{cookie_jar}->extract_cookies($response);
print "=== Cookies:\n", $self->{cookie_jar}->as_string, "\n";
if ($response->is_success)
{
#打印响应码，请求头，响应头和响应内容
print "Login Success.\n** " . $response->status_line . " **\n";
print "=== Request header: \n", $request->headers_as_string, "\n";
print "=== Response header: \n", $response->headers_as_string, "\n";
return $response->content;
#访问成功后，即200 OK，就能获取到cookie值 $get_cookie = 0;
}
else
{
print "Login Error.\n** " . $response->status_line . " **\n";
print $response->content . "\n";
#如果发生网页重定向，将重组URL后继续访问
if ($response->status_line =~ /302/)
{
my ($redirect_url) = ($response->content =~ m/<[aA] (?:[hH]ref|HREF)=\"(.*?)\"/g);
print "\n=== redirect url is $redirect_url\n";
if ($redirect_url=~ /http/)
{
$url = $redirect_url;
next;
}
else
{
#有的重定向链接只有后面一部分，需要调用URI->new_abs来将$response->base链接起来
$url = URI->new_abs($redirect_url, $response->base);
next;
}
}
exit 1;
}
}
}
sub get_file
{
my $self = shift;
my $object_id = shift;
unless($object_id)
{
die "$object_id is invalid id!";
}
my $ll_url = "$Basic_Url/open/$object_id";
return $self->get_web_content($ll_url);
}
package main;
my $ll = new Livelink('username', 'password');
my $content = $ll->get_file('50967038');
open my $fh, '>', "myfile.html" or die "Can't open file, $!\n";
print $fh $content;
close $fh;
注意:
1. 如果返回501错误， 请确认Crypt::SSLeay已经安装过了。
2.如果在访问HTTPS的时候，返回500错误，需要new UserAgent的时候加上ssl_opts => { verify_hostname => 0 }
如果程序运行在windows系统的时候，还会出现以下错误。
Status read failed: A non-blocking socket operation could not be completed immed iately. at C:/Strawberry/perl/vendor/lib/Net/HTTP/Methods.pm line 276.
google了一下，发现了个类似问题，http://stackoverflow.com/a/27863737/3081018
它里面提到了一个bug fix：
Since 2.006 IO::Socket::SSL supports non-blocking on Windows. But on Windows the relevant $ERRNO is EWOULDBLOCK, not EAGAIN. On Unix these both are the same. Thus the code needs be changed to use EWOULDBLOCK instead.
于是我找到了C:/Strawberry/perl/vendor/lib/Net/HTTP/Methods.pm中EAGAIN所在行。增加了以下标黄的语句。
redo READ if $!{EINTR} || $!{EAGAIN} || $!{EWOULDBLOCK};