时间戳

首页 > 技术文章 > 可登陆爬虫Python实现

可登陆爬虫Python实现

aaronchou820 2016-03-18 10:28 原文

    最近期末测试完结了，正好恰逢周末，就想找点事来做，之前做过爬虫，遇到了登录的问题，今天就来整理下。
    登录问题其实就是程序发送请求，服务器返回数据时，发出http响应消息报文，这两种类型的消息都是由一个起始行，而cookie就在在http请求和http响应的头信息中，在请求中添加用户信息的cookie即可实现登录。于是乎cookie是消息头的一种很重要的属性。

什么是Cookie？


    当用户通过浏览器首次访问一个域名时，访问的WEB服务器会给客户端发送数据，以保持WEB服务器与客户端之间的状态保持，这些数据就是Cookie，它是 Internet 站点创建的 ,为了辨别用户身份而储存在用户本地终端上的数据，Cookie中的信息一般都是经过加密的，Cookie存在缓存中或者硬盘中，在硬盘中的是一些小文本文件,当你访问该网站时，就会读取对应网站的Cookie信息，Cookie有效地提升了我们的上网体验。一般而言，一旦将 Cookie 保存在计算机上，则只有创建该 Cookie 的网站才能读取它。 

Cookie的种类


    会话Cookie(Session Cookie)：这个类型的cookie只在会话期间内有效，保存在浏览器的缓存之中，用户访问网站时，会话Cookie被创建，当关闭浏览器的时候，它会被浏览器删除。 
    持久Cookie(Persistent Cookie): 这个类型的cookie长期在用户会话中生效。当你设置cookie的属性Max-Age为1个月的话，那么在这个月里每个相关URL的http请求中都会带有这个cookie。所以它可以记录很多用户初始化或自定义化的信息，比如什么时候第一次登录及弱登录态等。 
    Secure cookie：安全cookie是在https访问下的cookie形态，以确保cookie在从客户端传递到Server的过程中始终加密的。
    HttpOnly Cookie ：这个类型的cookie只能在http(https)请求上传递，对客户端脚本语言无效，从而有效避免了跨站攻击。 
    第三方cookie： 第一方cookie是当前访问的域名或子域名下的生成的Cookie。 第三方cookie:第三方cookie是第三方域名创建的Cookie。

python模拟登录

 首先查看所要爬取网站登录源码：（豆瓣为例）

 
    看了这些之后，我们只用按照登录网址所需信息添加到post中就行。
添加所需的包。
1
2
3
4
5
import requests
import re
from bs4 import BeautifulSoup
import random
import urllib, urllib2
信息添加到post中
1
2
3
4
5
6
7
8
9
10
11
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64)\
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.118 Safari/537.36',}
 
my_post = {'redir':'http://www.douban.com/doumail',
    'form_email':'*@qq.com',
    'form_password':'password',
    'login':'登录',
    }
r = requests.post(login_url, data = my_post, headers = headers)
html = r.text
因为豆瓣登录需要验证码，但是本人并没有做过图像中验证码识别，于是直接正则匹配图片下载到本地，然后手工读取，在输入：
1
2
3
4
5
6
7
'''  download captcha  '''
reg = r'<img id="captcha_image" src="(.*?)" alt="captcha" class="captcha_image"/>'
imglist = re.findall(reg, html)
urllib.urlretrieve(imglist[0], '%d.jpg' % random.randint(1,100))
captcha = raw_input('captcha is: ')
regid = r'<input type="hidden" name="captcha-id" value="(.*?)"/>'
ids = re.findall(regid, html)
再次发送
1
2
3
4
5
''' repost  '''
my_post["captcha-solution"] = captcha
my_post["captcha-id"] = ids[0]
q = requests.post(login_url, data = my_post, headers = headers)
print q.url




如果登录成功，返回的URL就是：http://www.douban.com/doumail/，然后就可以正在获得用户信息了。




1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
''' use bs4 filter douban.com's doumail following'''
    print " login successfully!"
    soup = BeautifulSoup(q.text)
    tag = soup.find_all('span', attrs={'class':'from'})
    tag2 =  soup.find_all('a', attrs={'class':'url'})
    a = []
    for x in tag:
        a.append(x.get_text())
    b = []
    for y in tag2:
        b.append(y.get_text())
 
    def split(num):
        print a[num] + '  ' +  b[num]
        print 
                     
    print '-'*30, u'豆瓣豆邮', '-'*30
    for x in range(len(a)):
        split(x)
    print '-'*80




其实有很多种方法都可以实现，这只是一种，我也是在探索，希望和我一样的人可以一起探讨，请多多指教。



   







	

		


推荐阅读