2022年 11月 6日

Python网络爬虫之模拟登陆

 

为什么要模拟登陆

    Python网络爬虫应用十分广泛，但是有些网页需要用户登陆后才能获取到信息，所以我们的爬虫需要模拟用户的登陆行为，在登陆以后保存登陆信息，以便浏览该页面下的其他页面。

 

保存用户信息

    模拟登陆后有两种方法可以保存用户信息，通过Session来保存登陆信息或者通过Cookie来保存登陆信息

一、Session的用法

  1. # 导入requests模块
  2. import requests 
  3. # 通过requests的Session来请求网页
  4. s = requests.Session()  
  5. r = s.post(url, headers=headers)

 

二、Cookie的用法

  1. import urllib.request, http.cookiejar
  2. # 初始化Cookie
  3. cookie = http.cookiejar.CookieJar()
  4. opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie))
  5. # 把opener配置为全局 当然也可以不配置全局通过opener来请求网页
  6. urllib.request.install_opener(opener)

模拟登陆实践

 

我们以豆瓣网为例模拟用户登陆，然后爬取登陆后的用户界面

（1）找到请求表单

登陆一般是通过Post请求来实现的，其传递参数为一个表单，如果要成功登陆，我们需要查看该表单传递了哪些内容，然后构造表单做Post请求。怎么获取表单了，我们只需要打开浏览器右键查看，然后输入账号密码，点击登陆查看其NetWork中的请求，找到表单信息即可（推荐使用谷歌浏览器），该信息中还能找到请求的url。

表单信息

URL

 

（2）构建表单

表单的key值我们可以通过右键页面检查页面源代码，在页面源码中获得静态的值（还有些动态信息需要手动获取）

  1. formdata = {
  2.     'redir': 'https://www.douban.com',
  3.     'form_email': '账号',
  4.     'form_password': '密码',
  5.     'login': u'登陆'
  6. }

 

（3）伪装成浏览器进行登录

我们只需要给请求添加上Headers即可

  1. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
  2.                          'Chrome/55.0.2883.87 Safari/537.36'}

 

（4）获取验证码

第二步的表单其实还不完整，还差两条跟验证码有关的信息，这两条信息是动态变化的，所以我们要手动获取

  1. r = s.post(url_login, headers=headers)
  2. content = r.text
  3. soup = BeautifulSoup(content, 'html.parser')
  4. captcha = soup.find('img', id='captcha_image')#当登陆需要验证码的时候
  5. if captcha:
  6.     captcha_url = captcha['src']
  7.     re_captcha_id = r'<input type="hidden" name="captcha-id" value="(.*?)"/'
  8.     captcha_id = re.findall(re_captcha_id, content)
  9.     print(captcha_id)
  10.     print(captcha_url)  # 打印验证码url
  11.     captcha_text = input('Please input the captcha:')  # 手动输入验证码
  12.     formdata['captcha-solution'] = captcha_text # 添加表单信息
  13.     formdata['captcha-id'] = captcha_id

 

（5）登录

r = s.post(url_login, data=formdata, headers=headers) # 将表单信息传入参数中请求页面即可登录

 

完整代码

  1. # -*- coding: utf-8 -*-
  2. import requests
  3. import re
  4. from bs4 import BeautifulSoup
  5.  
  6. s = requests.Session()
  7. url_login = 'https://accounts.douban.com/login'
  8.  
  9. formdata = {
  10.     'redir': 'https://www.douban.com',
  11.     'form_email': '账号',
  12.     'form_password': '密码',
  13.     'login': u'登陆'
  14. }
  15. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
  16.                          'Chrome/55.0.2883.87 Safari/537.36'}
  17.  
  18. r = s.post(url_login, data=formdata, headers=headers)
  19. content = r.text
  20. soup = BeautifulSoup(content, 'html.parser')
  21. captcha = soup.find('img', id='captcha_image')#当登陆需要验证码的时候
  22. if captcha:
  23.     captcha_url = captcha['src']
  24.     re_captcha_id = r'<input type="hidden" name="captcha-id" value="(.*?)"/'
  25.     captcha_id = re.findall(re_captcha_id, content)
  26.     print(captcha_id)
  27.     print(captcha_url)
  28.     captcha_text = input('Please input the captcha:')
  29.     formdata['captcha-solution'] = captcha_text
  30.     formdata['captcha-id'] = captcha_id
  31.     r = s.post(url_login, data=formdata, headers=headers)
  32. with open('contacts.html', 'w+', encoding='utf-8') as f:
  33.     f.write(r.text)

 

运行结果

 

登陆成功