.requests() 文件类型问题 - 无法从 Content Delivery Network 获取 PDF

Question

我无法获取找到 here 的 PDF 的内容，因为它们由名为 Widen 的内容交付网络 (CDN) 托管。

以下代码在网页中嵌入的 PDF 链接上是成功的...

url = 'https://embed.widencdn.net/pdf/plus/widnr/kdlgedcepu/miss_surv_120117.pdf?u=7vkdxn'
    
filepath = r"C:\Users\pathgoeshere\{}.pdf".format('test')
if os.path.exists(filepath):
    pass
else:
    r = requests.get(url)
    with open(filepath, 'wb') as f:
        f.write(r.content)

...但由于 url 是内容交付网络而不是 pdf 本身，因此请求不会返回所需的 pdf；打开pdf时会抛出错误。

任何人都可以帮助抓取通过内容交付网络托管的 pdf 文件吗？

Answer 1

您没有从 CDN 获取 pdf 的问题，因为它会将 pdf 封装在一个脚本中，该脚本会自动设置密码并将您的请求重定向到另一个 URL。为了下载 pdf，您必须首先从标题中提取脚本标签以找到指向 pdf 的 url。然后你必须使用脚本设置的完全相同的参数构建第二个请求：

1. 签名
2. 过期
3. 密钥对 ID

第二个请求比下载 pdf。

import os
import requests
import urllib.parse as urlparse

from urllib.parse import parse_qs
from urlextract import URLExtract

from bs4 import BeautifulSoup

url = 'https://embed.widencdn.net/pdf/plus/widnr/rfazsshahb/Fall2017Waterfowl_GreenBay_Survey_Nov.pdf?u=7vkdxn'

filepath = r'C:\Path\{}.pdf'.format('test')
if os.path.exists(filepath):
    pass
else:
    request = requests.get(url)
    html = BeautifulSoup(request .content)
    pdf_script = html.head.find('script', type="text/javascript").string

    # Extract the url
    extractor = URLExtract()
    url_to_pdf = extractor.find_urls(pdf_script)

    # Parse URL
    parsed = urlparse.urlparse(url_to_pdf[0])

    # Get parameters
    signature = parse_qs(parsed.query)['Signature'][0]
    expires = int(parse_qs(parsed.query)['Expires'][0])
    kip = parse_qs(parsed.query)['Key-Pair-Id'][0]

    url = parsed.scheme + "://" + parsed.netloc + parsed.path

    #Build second request
    pdf_request = requests.get(url, params={'Key-Pair-Id': kip, 'Signature': signature, 'Expires': expires})
    print(pdf_request)
    with open(filepath, 'wb') as f:
        f.write(pdf_request.content)

你可能需要安装 urlextract、BeautifulSoup

pip install beautifulsoup4
pip install urlextract

请注意，这不是通用解决方案，可能仅适用于此 CDN。