wget/curl 不遵循我的 URL 的重定向

wget/curl 不遵循我的 URL 的重定向

如果您在网站 自动开始下载 pdf:https://magazines-static.raspberrypi.org/issues/full_pdfs/000/000/308/original/MagPi89.pdf?1576682030

我正在写信给 MagPi 杂志,他们向我解释说,后面的数字 308full_pdfs/000/000/308是一个随机数。

长话短说:我必须解决我的下载器上的问题https://github.com/joergi/MagPiDownloader/issues/15无需复制粘贴每一期。所以自动关注会很好。

但我尝试过的一切:

curl -JLO https://magpi.raspberrypi.org/issues/89/pdf

wget --user-agent=Mozilla --content-disposition -E -c https://magpi.raspberrypi.org/issues/80/pdf

没有工作。

答案1

通过检查该网站的 html,可以看出“下载pdf" 链接使用带有 http-eqiv="refresh" 属性的元元素来重定向到真实链接。而像curl或 之类的工具wget可以处理标准http重定向,它们不解析或解释 html,因此无法处理这种类型的重定向。由于我们使用的是 shell,一种可能的解决方案是使用curlor下载页面wget并过滤 html 以查看它是否包含http-eqiv="refresh".


由于该网站似乎已经不再将新版本放在无障碍https://www.raspberrypi.org/magpi-issues/(没有过去的问题#86),似乎你的脚本当前的工作方式(即本质上是一个 pdf 链接的静态数据库)变得违反直觉。这特刊下载脚本看起来有与列出的相同的一堆pdfhttps://magpi.raspberrypi.org/books,但脚本缺少最新版本。

所以我尝试制作一个更有活力的脚本。它看着/图书&/问题查看可用/最新的内容。如果您愿意,欢迎使用其中任何一个 - 它使用zsh, gawk& curl

#!/usr/bin/env zsh
typeset -aU standard book ignore directory
typeset all latest list_books all_books baseurl="https://magpi.raspberrypi.org/"
setopt extendedglob
function books() {
    typeset -aU books filter minus
    typeset i
    >&2 echo "getting list of available books..."
    books=( $(2>/dev/null curl -fs ${baseurl}books | gawk -v 'RS=href="' -F '"' \
                                                    '$1 ~ /^[/]books[/][^/]*[/]pdf$/{split($1,a,"/"); print "books/"a[3]}') )
    if [[ -z $books ]]
    then
        >&2 echo "unable to find any books"
        return 0
    fi
    case $1 in
        (list)
            printf '\t%s\n' $books
            return 0
            ;;
        (all)
            >&2 echo "Attempting to download all the books, this may take a while ..."
            >&2 printf '\t%s\n' $books
            get_pdfs $books
            return 0
            ;;
        (*)
            for i in $@
            do
                case $i[1] in
                    (-)
                        minus+=( ${(M)books:#*${i:1}*} )
                        books=( ${books:#*${i:1}*} )
                    ;;
                    (*)
                        filter+=( ${(M)books:#*$i*} )
                    ;;
                esac
            done
            if [[ -z $filter && -n $minus ]]
            then
                filter=( ${books:|minus} )
            else
                filter=( ${filter:|minus} )
            fi
            if [[ -z $filter ]]
            then
                >&2 echo "books: no matches found (try book:list)"
                return 0
            else
                >&2 printf '\t%s\n' $filter
                get_pdfs $filter
            fi
        ;;
    esac
}
function issues() {
    typeset -aU issues
    typeset max i
    >&2 printf '%s' "finding most recent issue # ..."
    if ! max=${(M)$(2>/dev/null curl -fs https://magpi.raspberrypi.org/issues | gawk -v 'RS=href="' -F '"' \
                                                                                '$1 ~ /^[/]issues.*[0-9]$/{a=$1;exit}
                                                                                END{if(a){print a} else{exit 1}}')%%[0-9]#}
    then
        >&2 echo "couldn't determine what number the latest issue is."
        return 1
    fi
    >&2 echo "it's $max"
    if [[ $1 = all ]]
    then
        >&2 echo "Attempting to download all the issues, this may take a while ..."
        get_pdfs issues/{1..$max}
        return 0
    fi
    if [[ -n $latest ]]
    then
        issues+="issues/$max"
    fi
    for i in $@
    do
        if [[ $i -le $max ]]
        then
            issues+="issues/$i"
        else
            >&2 echo "issues/$i is larger than $max, ignoring"
        fi
    done
    if [[ -z $issues ]]
    then
        >&2 printf '\t%s\n' "there are no issues to download"
        return 0
    fi
    >&2 printf '\t%s\n' $issues
    get_pdfs $issues
    return 0
}
function get_pdfs() {
    typeset url i
    for i in $@
    do
        if ! url=$(2>/dev/null curl -fs "$baseurl$i/pdf" | \
            gawk -v 'RS=http-equiv="[rR]efresh".*[0-9 ;]*[uU][rR][lL]=' -F '"' \
            '$1 ~ /^http.*[.]pdf/{a=$1;exit}
            END{if(a){print a} else{exit 1}}')
        then
            >&2 echo "unable to extract url for $i"
            continue
        fi
        if [[ -e ${directory:+$directory[-1]/}${${url##*/}%%\?*} ]]
        then
            >&2 echo "looks like $i was already downloaded to ${directory:+$directory[-1]/}${${url##*/}%%\?*}"
            continue
        fi
        curl -f --create-dirs -o ${directory:+$directory[-1]/}${${url##*/}%%\?*} $url
    done
}
if ! zparseopts -D 'd:=directory'
then
    return 1
fi
if [[ -z $@ ]]
then
    >&2 printf '\t%s\n' \
        "[-d DIRECTORY]" \
        "[NUMBER] ... download issue by number" \
        "[latest] download most recent issue" \
        "[all] download all issues" \
        "[book:list] list all books" \
        "[book:WORD] ... download books matching WORD" \
        "[book:-WORD] ... don't download books matching WORD" \
        "[book:all] download all books" \
        "... no args specified, nothing to do ... exiting"
    return 0
fi
if [[ -n $directory ]]
then
    if ! mkdir -p $directory[-1]
    then
        return 1
    fi
    >&2 echo "files will be saved in $directory[-1]"
fi
for (( i=1; i<=${#@}; i++ ))
do
    case ${@[i]} in
        (all) all=all ;;            #download all standard issues
        (latest) latest=1 ;;            #download most recent issue
        (book:list) list_books=list ;;  #print a list of books
        (book:all) all_books=all ;;     #download all books
        (book:[[:alnum:]-]##) book+=( ${@[i]#*:} ) ;;   #download matching books (or books not matching if book:- is used)
        ([0-9]##) standard+=${@[i]} ;;          #download standard issue by number
        (*) ignore+=${@[i]} ;;          #tell user about unused args
    esac
done
if [[ -n $list_books || -n $all_books || -n $book ]]    #book argument was specified - get books
then
    books ${list_books:-${all_books:-$book}}
fi
if [[ -n $standard || -n $latest || -n $all ]]      #issue args - get issues
then
    issues $all $standard
fi
if [[ -n $ignore ]]
then
    >&2 printf '\t%s\n' "the following arguments were ignored:" $ignore
fi
return 0

脚本末尾有一些注释,希望能解释其用法。

  • 有效的问题相关参数包括:latestall或 a NUMBER– 在调用脚本来指定某个范围时,您可以使用 shell 扩展,例如。从 bash/zsh,要下载问题 12–15,指定{12..15}应扩展到数字 12 到 15
  • 有效的书籍相关参数包括:book:listbook:all、 或book:WORD匹配、book:-WORD排除,例如。book:{begin,-3rd}将下载“初学者”系列书籍,“第 3 册”除外
  • -d DIR将文件输出到指定目录的选项
  • 参数的任何组合都应该有效并且无效的参数将被忽略
  • 不尝试恢复下载,您可以通过将该选项添加到中的-C -最终命令中来做到这一点,并从之前的文件冲突测试中删除curlget_pdfs()continue

我可能错过了一些东西——使用风险自负!


上面的函数中找到了使用curl“跟随”html重定向的示例get_pdfs()

url=$(curl -fs <url_of_document_using_html_redirect> | \
    gawk -v \
    'RS=http-equiv="[rR]efresh" *content="[0-9 ;]*[uU][rR][lL]=' \
    -F '"' \
    '/^http/{print $1;exit}')

然后,我们应该可以下载"$url"

相关内容