打造个性化的有道单词本 (一）

这两天需要把有道单词本中的单词导出到本地，有道本身也提供了这样的功能，但十分单一，只能导出单词拼写，音标，中文语义，不方便学习和记忆单词。所以用ruby写了这个爬虫，其中整个过程中最主要要解决的有三个问题：

1. URL重定向
2. 模拟登录有道词典
3. HTTP访问中cookie的管理

http重定向

我们打开有到词典的首页，会在搜索框下面发现一个”我的单词本“的链接，点开它，但单词本的页面并没有显示出来，现在你看到的一定是登录界面。对呀，每个人的单词本都是不一样的，没有身份验证怎么能行呢。就在刚刚的这个过程中发生了URL的重定向。我们可以做如下测验：

main_uri=URI("http://dict.youdao.com")
main_page=Net::HTTP.get_response(main_uri)
main_html=Nokogiri::HTML(main_page.body)
words_str=nil
main_html.search("a").each do |tag|
    words_str=tag.attribute("href") if tag.content=="单词本"
end
words_uri=URI(words_str)
puts Net::HTTP.get(words_uri)

则会看到打印到控制台的消息是:

The URL has moved <a href="http://account.youdao.com/login?service=dict&back_url=http://dict.youdao.com/wordbook/wordlist%3Fkeyfrom%3Dnull">here</a>

这正是我们呢在浏览器中可以看到的东西，当我们还没登录是，点击单词本的链接就会先弹出来一个登录界面，然后在我们输入登录信息之后就又会返回到单词本的页面，这期间发生了两次URL的重定向。
在发生重定向后，返回的HTTP头中location字段会显示更新后的URL，rubydoc中有详细的处理过程，在本例中可以如下写：

def fetch(uri)
    page=Net::HTTP.get_response(uri)
    case page
    when Net::HTTPSuccess then page
    when Net::HTTPRedirection then
        location=page[‘location‘]
        fetch(URI(location))
    end
end

所以以后为了避免重定向的问题，就用fetch方法代替GET方法了，至此我们解决了第一个问题。

模拟登录

模拟登录的处理比重定向麻烦了许多，分析登录界面，用户的登录信息是嵌入到一个表单当中的，除了用户名和密码，按钮和复选框以外，其他都是hidden属性，所以不可见，所以在提交的时候这些hidden字段按照name=>value的样子提交了就行，只是加入自己的信息就可以。在整个html文件中找到表单就需要Nokogiri这个包了。表单也填好了，那就把信息提交到服务器端吧，net/http中有一个post_form方法，把所有的表单按照Hash的形式传入方法，就可以提交到指定的URL了。恩，这个问题就也可以解决了。等等，URL？哪个URL？提交到哪里？是第一步重定向的那个URL么？那看一下正真的浏览器是怎么做的吧

没错，你看到的请求网址才是正真的提交表单的URL。
具体实现的代码可以写成：

words_page=fetch(words_uri)
words_uri=words_page.uri
words_page=Nokogiri::HTML(words_page.body)
params={}
words_page.xpath("//form//input").each do |t|
        params[t.attribute("name").to_s]=t.attribute("value").to_s if t.attribute("name")!=nil
end
params["username"]="××××"
params["password"]="××××"
form_action=URI "https://logindict.youdao.com/login/acc/login"
words_page=Net::HTTP.post_form(form_action,params)

迫不及待的运行，期待着一个新的页面跳入眼帘，但是如果不意外，当你打印word_page.body的时候一定还会是一个重定向的页面，而且又定向到了之前的登录页面。这一切现象都表明我们的登录失败了。因为我已经做过了，所以我会建议你关掉浏览器的javascript支持，看能不能模拟到我们的登录过程。如果这样做，就算是你的浏览器都不能成功登录，只有一遍又一遍的重定向页面，登录了好几遍，眼前还是那个熟悉的登录页面。你一定已经知道是怎么回事了。没错，就是javascrip,它只是隐藏在了我们的浏览器和远程的服务器中间了，说不定我们提交的数据是已经被它动过手脚的呢。
查看登录页面的源代码：

function validate(disableSubmit){
    var form = document.f;
    var name = form.username.value.trim();
    var password = form.password.value;

    if((name.length < 1 || name == _hint)
        || (password.length < 1)
        || password.length > 16) {
        //alert("请输入正确的网易邮箱用户名 ")
        showWarning1(true);
        return false;
    }

    form.password.value = hex_md5(form.password.value);
    var savelogin = yd_get_elem("savelogin");
    if (savelogin.checked){
        form.cf.value = 7;
    }
    if(disableSubmit) {
        form.submit.disabled = true;
    }
    return true;
}

这是验证用户登录数据的一个javascript程序，顺便还给我们的密码加了密。哦，这下明白了，我们也应该提交加密后的密码，就像javascript做的那样。还要注意的是保存登录这个复选框的影响表单中的cf字段，要格外小心。这下登录成功了吧，打印word_page.body也不会重定向到登录页面了，而是正确的转到了你的单词本，不管怎么说，离成功又尽了一步呢。

管理cookie

HTTP协议是不会记忆状态的，所以如果这个时候我们用GET方法获取你的单词本的html文件，又会重定向回该死的登录页面。所以在登录成功后一定要管理好服务器给我们的钥匙–cookie，cookie在服务器的返回的http报文中的set-cookie字段指定，用来记录特定的状态。

cookies=words_page.header[‘set-cookie‘]
new_uri=URI.parse(words_page[‘location‘])
http=Net::HTTP.new(new_uri.host,new_uri.port)
res=http.get(new_uri.path,{‘cookie‘=>cookies})
res=Nokogiri::HTML(res.body)

现在打印res.body是不是我们需要的单词本的页面就下载下来了，接下来做的就是从页面中提取我们感兴趣的数据,用好nokogiri这个包就行了。