所以基本上我是想从网站上删除 javascript 生成的数据。为此,我使用了 Python 库 requests_html .
这是我的代码:
from requests_html import HTMLSession
session = HTMLSession()
url = 'https://myurl'
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36'}
payload = {'mylog': 'root', 'mypass': 'root'}
r = session.post(url, headers=headers, verify=False, data=payload)
r.html.render()
load = r.html.find('#load_span', first=True)
print (load.text)
如果我不使用 render() 函数,我可以连接到网站并且我的抓取数据为空(这是正常的)但是当我使用它时,我有这个错误:
pyppeteer.errors.PageError: net::ERR_CERT_COMMON_NAME_INVALID at https://myurl
或
net::ERR_CERT_WEAK_SIGNATURE_ALGORITHM
我假设渲染器忽略了 session.post 的参数“verify=False”。我该怎么做?
编辑:如果你想重现错误:
from requests_html import HTMLSession
import requests
session = HTMLSession()
url = 'https://wrong.host.badssl.com'
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36'}
r = session.post(url, headers=headers, verify=False)
r.html.render()
load = r.html.find('#content', first=True)
print (load)
最佳答案
唯一的方法是在 pyppeteer 中设置 ignoreHTTPSErrors
参数.问题是 requests_html 没有提供任何方法来设置这个参数,事实上,有一个 issue关于它。我的建议是通过在此处添加另一条消息再次通知开发人员。
或者您可以拉取这个新功能。
另一种方法是使用 Selenium。
编辑:
我将 verify=False
添加为带有拉取请求(已接受)的功能。现在可以忽略 SSL 错误 :)
它不是 Get() 的参数 set it when you instantiate the object :
session = HTMLSession(verify=False)
关于javascript - 如何使用 requests_html 忽略无效的 SSL 证书?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51762655/