- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
Aaron Swartz 在早期塑造互联网方面发挥了重要作用。对于熟悉 Aaron 的人,你可能知道他在facing up to 35 years in prison之后自杀了用于从 jstor 下载大量文章的文件,学术期刊和书籍的数字图书馆。他用来下载文章的脚本已经发布,如下图所示。 (这里是 a link Aaron 为感兴趣的人准备的纪录片。)
这是代码:
import subprocess, urllib, random
class NoBlocks(Exception): pass
def getblocks():
r = urllib.urlopen("http://{?REDACTED?}/grab").read()
if '<html' in r.lower(): raise NoBlocks
return r.split()
import sys
if len(sys.argv) > 1:
prefix = ['--socks5', sys.argv[1]]
else:
prefix = []#'-interface','eth0:1']
line = lambda x: ['curl'] + prefix + ['-H', "Cookie: TENACIOUS=" + str(random.random())[3:], '-o', 'pdfs/' + str(x) + '.pdf', "http://www.jstor.org/stable/pdfplus/" + str(x) + ".pdf?acceptTC=true"]
while 1:
blocks = getblocks()
for block in blocks:
print block
subprocess.Popen(line(block)).wait()
我猜这是某种致敬。亚伦的故事和他的逝世一直让我深受影响。他是互联网的杰出先驱,创立了知识共享、网络订阅格式 RSS 和 Reddit,所有这一切都发生在他 26 岁自杀之前。
我想尽可能多地了解导致一名男子死亡的事件 did many great things对于互联网及其不断增长的用户社区。
上下文
Jstor 是一个大型学术出版物图书馆。当 Aaron 在 2010 年从他们的文件中下载文章时,JSTOR 对麻省理工学院的学生免费提供,但不向公众免费提供。虽然我们不知道 Aaron 究竟想用这些信息做什么,但可以肯定的是,他想把它传播给那些无法访问的人。
我的问题
我看到他创建了一个函数 Getblocks()
,它使用 urllib
模块来访问 Jstor 的数字文件,将网页的 HTML 读入一个变量并将页面内容。
我看不懂的是代码的命令行部分,从他导入sys模块之后到if/else语句的结尾。
他创建了一个命令行参数,允许他定义..什么?他来这里做什么?
如果命令行参数的长度小于 1 并且调用了 else 条件,那么他的 lambda 函数在这里完成了什么?
if len(sys.argv) > 1:
prefix = ['--socks5', sys.argv[1]]
else:
prefix = []#'-interface','eth0:1']
line = lambda x: ['curl'] + prefix + ['-H', "Cookie: TENACIOUS=" + str(random.random())[3:], '-o', 'pdfs/' + str(x) + '.pdf', "http://www.jstor.org/stable/pdfplus/" + str(x) + ".pdf?acceptTC=true"]
如能深入了解 Aaron 的大文件攻城机制,我们将不胜感激。
安息吧,亚伦。
附加说明
案件相关法律文件可见here .在这些文档中,有一个链接指向 Aaron 下载所有文档后 Jstor 员工之间的几次对话。在 one email exchange ,一名 Jstor 员工描述了 Aaron 如何规避“按 IP 的 session ”规则进行下载。
“通过清除他们的 cookie 并开始新 session ,他们有效地避开了 Literatum 中的滥用工具......每个 IP 规则的 session 数没有触发,因为它是逐个服务器进行的,并且用户在多个服务器之间进行了负载平衡。 8500 个 session 只需要两台服务器即可规避规则。我们可以降低 session 次数,但我请求数据以找到一个有效级别,该级别可以在不中断其他地方正常用户的情况下捕获事件使用我们的 MDC 和服务器数量,可能没有同时实现两者的最佳点。”
最佳答案
您对代码图像的转录缺少最后一行,这是非常关键的。在循环内部,它在 line
lambda 函数的输出上调用 subprocess.Popen
:
subprocess.Popen(line(block)).wait()
getblocks
函数从经过编辑的网站(可能不是 jstor)中读取,以获取要下载的 pdf 文件列表。这允许远程控制脚本。
line
lambda 函数生成一个命令行参数列表,Popen
将使用这些参数来调用 curl
命令行实用程序,实际下载。在您的“补充说明”部分中引用的 cookie 是在 lambda 中生成的(它生成一个随机数,将其转换为字符串,然后将除前三个字符以外的所有字符切片以获得 cookie 值)。
关于python - 剖析 Aaron Swartz 用来从 Jstor 文件中下载数千篇文章的脚本,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49711153/
今天我在一个 Java 应用程序中看到了几种不同的加载文件的方法。 文件:/ 文件:// 文件:/// 这三个 URL 开头有什么区别?使用它们的首选方式是什么? 非常感谢 斯特凡 最佳答案 file
就目前而言,这个问题不适合我们的问答形式。我们希望答案得到事实、引用或专业知识的支持,但这个问题可能会引起辩论、争论、投票或扩展讨论。如果您觉得这个问题可以改进并可能重新打开,visit the he
我有一个 javascript 文件,并且在该方法中有一个“测试”方法,我喜欢调用 C# 函数。 c# 函数与 javascript 文件不在同一文件中。 它位于 .cs 文件中。那么我该如何管理 j
需要检查我使用的文件/目录的权限 //filePath = path of file/directory access denied by user ( in windows ) File fil
我在一个目录中有很多 java 文件,我想在我的 Intellij 项目中使用它。但是我不想每次开始一个新项目时都将 java 文件复制到我的项目中。 我知道我可以在 Visual Studio 和
已关闭。此问题不符合Stack Overflow guidelines 。目前不接受答案。 这个问题似乎不是关于 a specific programming problem, a software
我有 3 个组件的 Twig 文件: 文件 1: {# content-here #} 文件 2: {{ title-here }} {# content-here #}
我得到了 mod_ldap.c 和 mod_authnz_ldap.c 文件。我需要使用 Linux 命令的 mod_ldap.so 和 mod_authnz_ldap.so 文件。 最佳答案 从 c
我想使用PIE在我的项目中使用 IE7。 但是我不明白的是,我只能在网络服务器上使用 .htc 文件吗? 我可以在没有网络服务器的情况下通过浏览器加载的本地页面中使用它吗? 我在 PIE 的文档中看到
我在 CI 管道中考虑这一点,我应该首先构建和测试我的应用程序,结果应该是一个 docker 镜像。 我想知道使用构建环境在构建服务器上构建然后运行测试是否更常见。也许为此使用构建脚本。最后只需将 j
using namespace std; struct WebSites { string siteName; int rank; string getSiteName() {
我是 Linux 新手,目前正在尝试使用 ginkgo USB-CAN 接口(interface) 的 API 编程功能。为了使用 C++ 对 API 进行编程,他们提供了库文件,其中包含三个带有 .
我刚学C语言,在实现一个程序时遇到了问题将 test.txt 文件作为程序的输入。 test.txt 文件的内容是: 1 30 30 40 50 60 2 40 30 50 60 60 3 30 20
如何连接两个tcpdump文件,使一个流量在文件中出现一个接一个?具体来说,我想“乘以”一个 tcpdump 文件,这样所有的 session 将一个接一个地按顺序重复几次。 最佳答案 mergeca
我有一个名为 input.MP4 的文件,它已损坏。它来自闭路电视摄像机。我什么都试过了,ffmpeg , VLC 转换,没有运气。但是,我使用了 mediainfo和 exiftool并提取以下信息
我想做什么? 我想提取 ISO 文件并编辑其中的文件,然后将其重新打包回 ISO 文件。 (正如你已经读过的) 我为什么要这样做? 我想开始修改 PSP ISO,为此我必须使用游戏资源、 Assets
给定一个 gzip 文件 Z,如果我将其解压缩为 Z',有什么办法可以重新压缩它以恢复完全相同的 gzip 文件 Z?在粗略阅读了 DEFLATE 格式后,我猜不会,因为任何给定的文件都可能在 DEF
我必须从数据库向我的邮件 ID 发送一封带有附件的邮件。 EXEC msdb.dbo.sp_send_dbmail @profile_name = 'Adventure Works Admin
我有一个大的 M4B 文件和一个 CUE 文件。我想将其拆分为多个 M4B 文件,或将其拆分为多个 MP3 文件(以前首选)。 我想在命令行中执行此操作(OS X,但如果需要可以使用 Linux),而
快速提问。我有一个没有实现文件的类的项目。 然后在 AppDelegate 我有: #import "AppDelegate.h" #import "SomeClass.h" @interface A
我是一名优秀的程序员,十分优秀!