摘要：至此登錄功能初步實現(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。可以看一下一個測試例子中的文件，部分內(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

有時候我們需要把一些經(jīng)典的東西收藏起來，時時回味，而Coursera上的一些課程無疑就是經(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，離線下來后會非常便于學(xué)習(xí)。很明顯，我們不會去一個文件一個文件的下載，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)然是寫一個腳本來批量下載了。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)，在課程資源頁面里，找到相應(yīng)的文件鏈接，然后用喜歡的工具下載。

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

登錄Coursera；

在課程資源頁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。

下面就來具體的實現(xiàn)以下吧！

剛開始時自己并沒有添加登錄模塊，以為訪客就可以下載相應(yīng)的課程資源，后來在測試comnetworks-002這門課程時發(fā)現(xiàn)訪客訪問資源頁面時會自動跳轉(zhuǎn)到登錄界面，下圖是chrome在隱身模式訪問該課程資源頁面時的情況。

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

我們在登錄頁面的表單中填入賬號密碼，然后點擊登錄。與此同時，我們需要雙眼緊盯Developer Tools——Network，找到提交賬號信息的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，每次登錄賬號時，Network里面都找不到提交賬戶信息的地址。猜測登錄成功后，直接跳轉(zhuǎn)到登錄成功后的頁面，想要找的內(nèi)容一閃而過了。

于是就隨便輸入了一組賬號密碼，故意登錄失敗，果真找到了post的頁面地址，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，進一步觀察post頁面中表單中內(nèi)容，如下圖：

我們看到一共有三個字段：

email：賬號的注冊郵箱

password：賬號密碼

webrequest：附加的字段，值為true。

接下來就動手寫吧，我選擇用python的Requests庫來模擬登錄，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.

事實上requests用起來確實簡單方便，不虧是專門為人類設(shè)計的http庫。requests提供了Session對象，可以用來在不同的請求中傳遞一些相同的數(shù)據(jù)，比如在每次請求中都攜帶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，最好是加上請求User-Agent，Referer等請求頭部，User-Agent用來模擬瀏覽器請求，Referer用來告訴服務(wù)器我是從referer頁面跳轉(zhuǎn)到請求頁面的，有時候服務(wù)器會檢查請求的Referer字段來保證是從固定地址跳到當(dāng)前請求頁的。

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

用瀏覽器登錄了幾次，發(fā)現(xiàn)XCSRF2Token, XCSRFToken是長度為24的隨機字符串，XCSRF2Cookie為"csrf2_token_"加上長度為8的隨機字符串。不過一直沒搞明白Cookie是怎么求出來的，不過看github上面代碼，Cookie似乎只是"csrftoken"和其他三個的組合，試了一下竟然可以。

在原來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現(xiàn)。

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

抓取到頁面資源后，我們需要分析html文件，這里選擇使用BeautifulSoup。BeautifulSoup是一個可以從HTML或XML文件中提取數(shù)據(jù)的Python庫，相當(dāng)強大。具體使用官網(wǎng)上有很詳細的文檔，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)過濾資源鏈接的方法很簡單，如下：

ppt和ppt資源：用正則表達式匹配鏈接；

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式過濾，不過用BeautifulSoup根據(jù)title屬性來匹配，有更好的易讀性。而ppt和pdf資源，沒有固定的title屬性，只好利用正則表達式來匹配。

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來下載。具體思路很簡單，就是輸出curl resource_link -o file_name到一個種子文件中去，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。具體的實現(xiàn)比較簡單，這里不再給出具體程序了。可以看一下一個測試例子中的feed.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，我們只需要運行程序，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課程的完整名字，而是在課程介紹頁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，這個程序可以看做一個簡單的小爬蟲程序了，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(圖片來自wiki)：

簡單來說，爬蟲從Scheduler中獲取初始的urls，下載相應(yīng)的頁面，存儲有用的數(shù)據(jù)，同時分析該頁面中的鏈接，如果已經(jīng)訪問就pass，沒訪問的話加入到Scheduler中等待抓取頁面。

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

每個搜索引擎背后都有一個強大的爬蟲程序，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。這種搜索引擎級別的爬蟲實現(xiàn)起來非常復(fù)雜，因為網(wǎng)絡(luò)上的頁面數(shù)量太過龐大，只是遍歷他們就已經(jīng)很困難了，更不要說去分析頁面信息，并建立索引了。

實際應(yīng)用中，我們只需要爬取特定站點，抓取少量的資源，這樣實現(xiàn)起來簡單很多。不過仍然有許多讓人頭疼的問題，比如許多頁面元素是javascript生成的，這時候我們需要一個javascript引擎，渲染出整個頁面，再加以過濾。

更糟糕的是，許多站點都會用一些措施來阻止爬蟲爬取資源，比如限定同一IP一段時間的訪問次數(shù)，或者是限制兩次操作的時間間隔，加入驗證碼等等。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確實挺難的。

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