黑马程序员技术交流社区

标题: 【上海校区】Pyhotn 爬虫模拟登录方法汇总 [打印本页]
作者: 不二晨    时间: 2018-10-30 09:35
标题: 【上海校区】Pyhotn 爬虫模拟登录方法汇总
摘要： 在进行爬虫时，除了常见的不用登录就能爬取的网站，还有一类需要先登录的网站。比如豆瓣、知乎，以及上一篇文章中的桔子网。这一类网站又可以分为：只需输入帐号密码、除了帐号密码还需输入或点击验证码等类型。本文以只需输入账号密码就能登录的桔子网为例，介绍模拟登录常用的 3 种方法。
下面，我们用代码分别实现上述 3 种方法。
1. 目标网页这是我们要获取内容的网页：
radar.itjuzi.com/investevent


这个网页需要先登录才能看到数据信息，登录界面如下：


可以看到，只需要输入账号和密码就可以登录，不用输验证码，比较简单。下面我们利用一个测试账号和密码，来实现模拟登录。
2. POST 提交请求登录首先，我们要找到 POST 请求的 URL。
有两种方法，第一种是在网页 devtools 查看请求，第二种是在 Fiddler 软件中查看。
先说第一种方法。


在登录界面输入账号密码，并打开开发者工具，清空所有请求，接着点击登录按钮，这时便会看到有大量请求产生。哪一个才是 POST 请求的 URL呢？这个需要一点经验，因为是登录，所以可以尝试点击带有 「login」字眼的请求。这里我们点击第四个请求，在右侧 Headers 中可以看到请求的 URL，请求方式是 POST类型，说明 URL 找对了。


接着，我们下拉到 Form Data，这里有几个参数，包括 identify 和 password，这两个参数正是我们登录时需要输入的账号和密码，也就是 POST 请求需要携带的参数。


参数构造非常简单，接下来只需要利用 Requests.post 方法请求登录网站，然后就可以爬取内容了。
下面，我们尝试用 Fiddler 获取 POST 请求。
如果你对 Fiddler 还不太熟悉或者没有电脑上没有安装，可以先了解和安装一下。
Fiddler 是位于客户端和服务器端的 HTTP 代理，也是目前最常用的 HTTP 抓包工具之一 。 它能够记录客户端和服务器之间的所有 HTTP 请求，可以针对特定的 HTTP 请求，分析请求数据、设置断点、调试 web 应用、修改请求的数据，甚至可以修改服务器返回的数据，功能非常强大，是 web 调试的利器。
Fiddler 下载地址：
www.telerik.com/download/fi…
使用教程：
zhuanlan.zhihu.com/p/37374178
www.hangge.com/blog/cache/…
下面，我们就通过 Fiddler 截取登录请求。
当点击登录时，官场 Fiddler 页面，左侧可以看到抓取了大量请求。通过观察，第15个请求的 URL中含有「login」字段，很有可能是登录的 POST 请求。我们点击该请求，回到右侧，分别点击「inspectors」、「Headers」，可以看到就是 POST 请求，该 URL 和上面的方法获取的 URL 是一致的。


接着，切换到右侧的 Webforms 选项，可以看到 Body 请求体。也和上面方法中得到的一致。


获取到 URL 和请求体参数之后，下面就可以开始用 Requests.post 方法模拟登录了。
代码如下：
import requestsheaders = {    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',    }data = {    'identity':'irw27812@awsoo.com',       'password':'test2018',}url ='https://www.itjuzi.com/user/login?redirect=&flag=&radar_coupon='session = requests.Session()session.post(url,headers = headers,data = data)# 登录后，我们需要获取另一个网页中的内容response = session.get('http://radar.itjuzi.com/investevent',headers = headers)print(response.status_code)print(response.text)复制代码使用 session.post 方法提交登录请求，然后用 session.get 方法请求目标网页，并输出 HTML代码。可以看到，成功获取到了网页内容。


下面，介绍第 2 种方法。
3. 获取 Cookies，直接请求登录上面一种方法，我们需要去后台获取 POST 请求链接和参数，比较麻烦。下面，我们可以尝试先登录，获取 Cookie，然后将该 Cookie 添加到 Headers 中去，然后用 GET 方法请求即可，过程简单很多。
代码如下：
import requestsheaders = {    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',    'Cookie': '你的cookie',}url = 'https://www.itjuzi.com/user/login?redirect=&flag=&radar_coupon='session = requests.Session()response = session.get('http://radar.itjuzi.com/investevent', headers=headers)print(response.status_code)print(response.text)复制代码可以看到，添加了 Cookie 后就不用再 POST 请求了，直接 GET 请求目标网页即可。可以看到，也能成功获取到网页内容。


下面介绍第 3 种方法。
4. Selenium 模拟登录这个方法很直接，利用 Selenium 代替手动方法去自动输入账号密码然后登录就行了。
关于 Selenium 的使用，在之前的一篇文章中有详细介绍，如果你不熟悉可以回顾一下：
www.makcyun.top/web_scrapin…
代码如下：
from selenium import webdriverfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support import expected_conditions as ECfrom selenium.webdriver.support.wait import WebDriverWaitbrowser = webdriver.Chrome()browser.maximize_window()  # 最大化窗口wait = WebDriverWait(browser, 10) # 等待加载10sdef login():    browser.get('https://www.itjuzi.com/user/login')    input = wait.until(EC.presence_of_element_located(        (By.XPATH, '//*[@id="create_account_email"]')))    input.send_keys('irw27812@awsoo.com')    input = wait.until(EC.presence_of_element_located(        (By.XPATH, '//*[@id="create_account_password"]')))    input.send_keys('test2018')    submit = wait.until(EC.element_to_be_clickable(        (By.XPATH, '//*[@id="login_btn"]')))    submit.click() # 点击登录按钮    get_page_index()def get_page_index():    browser.get('http://radar.itjuzi.com/investevent')    try:        print(browser.page_source)  # 输出网页源码    except Exception as e:        print(str(e))login()复制代码这里，我们在网页中首先定位了账号节点位置：'//*[@id="create_account_email"]'，然后用 input.send_keys 方法输入账号，同理，定位了密码框位置并输入了密码。接着定位 登录 按钮的位置：//*[@id="login_btn"]，然后用 submit.click() 方法实现点击登录按钮操作，从而完成登录。可以看到，也能成功获取到网页内容。


以上就是模拟需登录网站的几种方法。当登录进去后，就可以开始爬取所需内容了。
5. 总结：

【转载】
作者：苏克1900
链接：https://juejin.im/post/5bd6acdbf265da0aba710136



作者: 不二晨    时间: 2018-10-31 14:30
作者: 梦缠绕的时候    时间: 2018-11-1 14:36
作者: 魔都黑马少年梦    时间: 2018-11-1 16:14




欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/) 黑马程序员IT技术论坛 X3.2