如何通过代理使用Python进行wget调用？

Question

我尝试使用这个脚本 pdfmeat 来从谷歌学术获取论文的数据。

这个脚本在我的电脑上运行得很好，但当我把它放到我的服务器上时却没有结果。我发现很可能是我的服务器被谷歌学术列入了黑名单，因为我遇到了一个错误（需要解决验证码的重定向）：

$ wget scholar.google.com
--2011-08-08 04:52:19--  http://scholar.google.com/
Resolving scholar.google.com... 72.14.204.147, 72.14.204.99, 72.14.204.103, ...
Connecting to scholar.google.com|72.14.204.147|:80... connected.
HTTP request sent, awaiting response... 302 Found
Location: http://www.google.com/sorry/?continue=http://scholar.google.com/ [following]
--2011-08-08 04:52:24--  http://www.google.com/sorry/?continue=http://scholar.google.com/
Resolving www.google.com... 74.125.93.147, 74.125.93.99, 74.125.93.103, ...
Connecting to www.google.com|74.125.93.147|:80... connected.
HTTP request sent, awaiting response... 503 Service Unavailable
2011-08-08 04:52:24 ERROR 503: Service Unavailable.

然后我发现wget有一个选项可以用来设置代理，命令是 --execute "http_proxy=urltoproxy"。我照做了

wget -e "http_proxy=oneHttpProxy" scholar.google.com

结果我成功保存了谷歌学术的index.html文件。

接着我尝试用pdfmeat.py做同样的事情，但还是没有结果。

这是代码：

def getWebdata(self, link, referer='http://scholar.google.com'):
    useragent = 'Mozilla/5.0 (X11; U; Linux x86_64; en-US; rv:1.9.1.8) Gecko/20100214 Ubuntu/9.10 (karmic) Firefox/3.5.8'
    c_web = 'wget --execute "http_proxy=oneHttpProxy" -qO- --user-agent="%s" --load-cookies="%s" "%s" --referer="%s"' % (useragent, WGET_COOKIEFILE, link, referer) 
    c_out = os.popen(c_web)
    c_txt = c_out.read()
    c_out.close()
    if re.search("We're sorry", c_txt) or re.search("please type the characters", c_txt):
        self.logger.critical("scholar captcha")
        if not self.options.quiet:
            print "PDFMEAT: scholar captcha!"
        sys.exit()
    self.logger.debug("getwebdata excerpt: %s" % (re.sub("\n", " ", c_txt[0:255])))
    self.queryLog.append("getwebdata excerpt: %s" % (re.sub("\n", " ", c_txt[0:255])))
    return c_txt

这个脚本使用了os模块。原来的功能是没有为wget加上 --execute 这个选项的。

谢谢大家的帮助！

脚本执行 wget os模块数据抓取黑名单代理谷歌学术验证码

如何通过代理使用Python进行wget调用？

1 个回答

撰写回答