一步步爬取Coursera课程资源

摘要：至此登录功能初步实现。为了方便我们快速定位到每节课的所有资源，可以把一节课的所有资源文件均命名为课名文件类型。可以看一下一个测试例子中的文件，部分内容如下到这里为止，我们已经成功完成爬取课程资源的目标，具体的代码放在上。

原文地址

有时候我们需要把一些经典的东西收藏起来，时时回味，而Coursera上的一些课程无疑就是经典之作。Coursera中的大部分完结课程都提供了完整的配套教学资源，包括ppt，视频以及字幕等，离线下来后会非常便于学习。很明显，我们不会去一个文件一个文件的下载，只有傻子才那么干，程序员都是聪明人！

那我们聪明人准备怎么办呢？当然是写一个脚本来批量下载了。首先我们需要分析一下手工下载的流程：登录自己的Coursera账户(有的课程需要我们登录并选课后才能看到相应的资源)，在课程资源页面里，找到相应的文件链接，然后用喜欢的工具下载。

很简单是吧？我们可以用程序来模仿以上的步骤，这样就可以解放双手了。整个程序分为三个部分就可以了：

登录Coursera；

在课程资源页面里面找到资源链接；

根据资源链接选择合适的工具下载资源。

下面就来具体的实现以下吧！

刚开始时自己并没有添加登录模块，以为访客就可以下载相应的课程资源，后来在测试comnetworks-002这门课程时发现访客访问资源页面时会自动跳转到登录界面，下图是chrome在隐身模式访问该课程资源页面时的情况。

要想模拟登录，我们先找到登录的页面，然后利用google的Developer Tools分析账号密码是如何上传到服务器的。

我们在登录页面的表单中填入账号密码，然后点击登录。与此同时，我们需要双眼紧盯Developer Tools——Network，找到提交账号信息的url。一般情况下，如果要向服务器提交信息，一般都用post方法，这里我们只需要先找到Method为post的url。悲剧的是，每次登录账号时，Network里面都找不到提交账户信息的地址。猜测登录成功后，直接跳转到登录成功后的页面，想要找的内容一闪而过了。

于是就随便输入了一组账号密码，故意登录失败，果真找到了post的页面地址，如下图:

地址为：https://accounts.coursera.org/api/v1/login。为了知道向服务器提交了哪些内容，进一步观察post页面中表单中内容，如下图：

我们看到一共有三个字段：

email：账号的注册邮箱

password：账号密码

webrequest：附加的字段，值为true。

接下来就动手写吧，我选择用python的Requests库来模拟登录，关于Requests官网是这样介绍的。

Requests is an elegant and simple HTTP library for Python, built for human beings.

事实上requests用起来确实简单方便，不亏是专门为人类设计的http库。requests提供了Session对象，可以用来在不同的请求中传递一些相同的数据，比如在每次请求中都携带cookie。

初步的代码如下：

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

将表单中提交的内容存放在字典中，然后作为data参数传递给Session.post函数。一般情况下，最好是加上请求User-Agent，Referer等请求头部，User-Agent用来模拟浏览器请求，Referer用来告诉服务器我是从referer页面跳转到请求页面的，有时候服务器会检查请求的Referer字段来保证是从固定地址跳到当前请求页的。

上面片段的运行结果很奇怪，显示如下信息：Invalid CSRF Token。后来在github上面搜索到一个Coursera的批量下载脚本，发现人家发送页面请求时headers多了XCSRF2Cookie, XCSRF2Token, XCSRFToken, cookie4个字段。于是又重新看了一下post页面的请求头部，发现确实有这几个字段，估计是服务器端用来做一些限制的。

用浏览器登录了几次，发现XCSRF2Token, XCSRFToken是长度为24的随机字符串，XCSRF2Cookie为"csrf2_token_"加上长度为8的随机字符串。不过一直没搞明白Cookie是怎么求出来的，不过看github上面代码，Cookie似乎只是"csrftoken"和其他三个的组合，试了一下竟然可以。

在原来的代码上添加以下部分就足够了。

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
                }

至此登录功能初步实现。

登录成功后，我们只需要get到资源页面的内容，然后过滤出自己需要的资源链接就行了。资源页面的地址很简单，为https://class.coursera.org/name/lecture，其中name为课程名称。比如对于课程comnetworks-002，资源页面地址为https://class.coursera.org/comnetworks-002/lecture。

抓取到页面资源后，我们需要分析html文件，这里选择使用BeautifulSoup。BeautifulSoup是一个可以从HTML或XML文件中提取数据的Python库，相当强大。具体使用官网上有很详细的文档，这里不再赘述。在使用BeautifulSoup前，我们还得找出资源链接的规律，方便我们过滤。

其中课程每周的总题目为class=course-item-list-header的div标签下，每周的课程均在class=course-item-list-section-list的ul标签下，每节课程在一个li标签中，课程资源则在li标签中的div标签中。

查看了几门课程之后，发现过滤资源链接的方法很简单，如下：

ppt和ppt资源：用正则表达式匹配链接；

字幕资源：找到title="Subtitles (srt)"的标签，取其href属性；

视频资源：找到title="Video (MP4)"的标签，取其href属性即可。

字幕和视频也可以用正则表达式过滤，不过用BeautifulSoup根据title属性来匹配，有更好的易读性。而ppt和pdf资源，没有固定的title属性，只好利用正则表达式来匹配。

具体代码如下：

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"]

既然已经得到了资源链接，下载部分就很容易了，这里我选择使用curl来下载。具体思路很简单，就是输出curl resource_link -o file_name到一个种子文件中去，比如到feed.sh中。这样只需要给种子文件执行权限，然后运行种子文件即可。

为了便于归类课程资源，可以为课程每周的标题建立一个文件夹，之后该周的所有课程均下载在该目录下。为了方便我们快速定位到每节课的所有资源，可以把一节课的所有资源文件均命名为课名.文件类型。具体的实现比较简单，这里不再给出具体程序了。可以看一下一个测试例子中的feed.sh文件，部分内容如下：

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"

到这里为止，我们已经成功完成爬取Coursera课程资源的目标，具体的代码放在gist上。使用时，我们只需要运行程序，并把课程名称作为参数传递给程序就可以了(这里的课程名称并不是整个课程的完整名字，而是在课程介绍页面地址中的缩略名字，比如Computer Networks这门课，课程名称是comnetworks-002)。

其实，这个程序可以看做一个简单的小爬虫程序了，下面粗略介绍下爬虫的概念。

关于什么是爬虫，wiki上是这样说的

A Web crawler is an Internet bot that systematically browses the World Wide Web, typically for the purpose of Web indexing.

爬虫的总体架构图如下(图片来自wiki)：

简单来说，爬虫从Scheduler中获取初始的urls，下载相应的页面，存储有用的数据，同时分析该页面中的链接，如果已经访问就pass，没访问的话加入到Scheduler中等待抓取页面。

当然有一些协议来约束爬虫的行为规范，比如许多网站都有一个robots.txt文件来规定网站哪些内容可以被爬取，哪些不可以。

每个搜索引擎背后都有一个强大的爬虫程序，把触角伸到网络中的所有角落，不断去收集有用信息，并建立索引。这种搜索引擎级别的爬虫实现起来非常复杂，因为网络上的页面数量太过庞大，只是遍历他们就已经很困难了，更不要说去分析页面信息，并建立索引了。

实际应用中，我们只需要爬取特定站点，抓取少量的资源，这样实现起来简单很多。不过仍然有许多让人头疼的问题，比如许多页面元素是javascript生成的，这时候我们需要一个javascript引擎，渲染出整个页面，再加以过滤。

更糟糕的是，许多站点都会用一些措施来阻止爬虫爬取资源，比如限定同一IP一段时间的访问次数，或者是限制两次操作的时间间隔，加入验证码等等。绝大多数情况下，我们不知道服务器端是如何防止爬虫的，所以要想让爬虫工作起来确实挺难的。

参考：
github:coursera-dl/coursera
github:coursera-downloader
python爬取页面元素失败
Wiki: Web crawler
Python 爬虫如何入门学习？