asp.net - 抓取由 asp.net/AJAX (__doPostBack) 管理的 html 分页

Question

我读了很多关于取消由 javascript 和 ASP.net 管理的网站的文章，我了解到首先你必须发送尽可能多的信息才能欺骗 ASP 服务器相信你真的点击了分页。

这就是我要达到的目标:

或者下一个按钮:

所以我已经尽力了，但我发现只有我的第一页被抓取了。我永远无法访问第二个、第三个等页面。

一切顺利，我唯一的问题是我无法访问其他页面!

到目前为止，我想知道我的 go 代码是否做错了什么，或者我是否必须辞职并告诉自己“好的，不能被刮掉”。

我正在使用 client := &http.Client{} 以便能够稍微更改 header :

    req, err := http.NewRequest("POST", urlToScrap, strings.NewReader(form.Encode()))
    if err != nil {
        panic(err)
    }
    req.Header.Set("X-MicrosoftAjax", "Delta=true")
    req.Header.Set("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.76 Safari/537.36")

    res, err := client.Do(req)
    if err != nil {
        panic(err)
    }

从现在开始，这是我尝试在 POST 请求中发送的数据表:

form.Add("__EVENTTARGET", "")
form.Add("_TSM_HiddenField_", "2GFwlGU9ATlFIxrdsXRzcja58_1t5F8HSleaZM4ZQwk1")
form.Add("__EVENTVALIDATION", eventvalidation)
form.Add("__VIEWSTATEGENERATOR", "20C6E8CA")
form.Add("__VIEWSTATE", viewstat)

我直接从网络上复制粘贴了VIEWSTATE和EVENTVALIDATION到一个变量中(它真的很大!)

所以事件目标是空白的，因为我将我的爬虫放在 for 中(我正在使用 GoQuery)，它一直运行到我到达最后一页(我确切地知道我想爬多少页):

for page := 1; page < 139; page++ {

    urlPaginated := "ctl00$ContentPlaceHolder1$pager$rptPager$ctl" + strconv.Itoa(page) + "$lbtnClick"
    form.Set("__EVENTTARGET", urlPaginated)

$ctl 参数是我看到的唯一一个在单击按钮时发生变化的参数。 所以我以为是这个修改了从url加载的内容。

然后，我进行抓取:

    doc, err := goquery.NewDocumentFromResponse(res)
    if err != nil {
        fmt.Println("ok2")
        log.Fatal(err)
    }

    doc.Find(".resultstable tbody tr").Each(func(i int, s *goquery.Selection) {
        companyID, ok := s.Find("td > a").Attr("name")
        if !ok {
            fmt.Println("yolo")
        }

        fmt.Println(companyID)
        scrapIt(companyID)
        time.Sleep(time.Second / 2)
    })

我没有尝试传递给表单的唯一字段是那些:

所以我在这里，迷茫而无能为力。如果有人知道我将不胜感激!

Answer 1

所以我没有找到解决它的方法，但我在移动设备上找到了一个简单的 LoadMore 按钮，绕过了主要问题。

所以改为抓取移动版本有点尴尬，但它可以。