在之前寫過一篇使用python爬蟲爬取電影天堂資源的文章，重點是如何解析頁面和提高爬蟲的效率。由于電影天堂上的資源獲取權(quán)限是所有人都一樣的，所以不需要進行登錄驗證操作，寫完那篇文章后又花了些時間研究了一下python模擬登陸，網(wǎng)上關(guān)于這部分的資料很多，很多demo都是登陸知乎的，原因是知乎的登陸比較簡單，只需要post幾個參數(shù)，保存cookie。而且還沒有進行加密，很適合用來做教學(xué)。我也是是新手，一點點的摸索終于成功登陸上了知乎。就通過這篇文章分享一下學(xué)習(xí)這部分的心得，希望對那些和我一樣的初學(xué)者有所幫助。

　　先來說一下，爬蟲模擬登陸的基本原理吧，我也是剛開始接觸對于一些深層次的東西也不是掌握的很清楚。首先比較重要的一個概念就是cookie，我們都知道HTTP是一種無狀態(tài)的協(xié)議，也就是說當(dāng)一個瀏覽器客戶端向服務(wù)器提交一個request，服務(wù)器回應(yīng)一個response后，他們之間的聯(lián)系就中斷了。這樣就導(dǎo)致了這個客戶端在向服務(wù)器發(fā)送請求時，服務(wù)器無法判別這兩個客戶端是不是一個了。這樣肯定是不行的。這時cookie的作用就體現(xiàn)出來了。當(dāng)客戶端向服務(wù)器發(fā)送一個請求后，服務(wù)器會給它分配一個標識（cookie），并保存到客戶端本地，當(dāng)下次該客戶端再次發(fā)送請求時連帶著cookie一并發(fā)送給服務(wù)器，服務(wù)器一看到cookie，啊原來是你呀，這是你的東西，拿走吧。所以一個爬蟲模擬登陸就是要要做到模擬一個瀏覽器客戶端的行為，首先將你的基本登錄信息發(fā)送給指定的url，服務(wù)器驗證成功后會返回一個cookie，我們就利用這個cookie進行后續(xù)的爬取工作就行了。

　 　我這里抓包用的就是chrome的開發(fā)者工具，不過你也可以使用Fiddler、Firebug等都可以，只不過作為一名前端er對chrome有一種特殊的喜愛之情。準備好工具接下來就要打開知乎的登陸頁面并查看https://www.zhihu.com/#signin 我們可以很容易發(fā)現(xiàn)這個請求 發(fā)送的就是登錄信息，當(dāng)然我使用手機登陸的 用郵件登陸的是最后結(jié)尾是email

所以我們只需要向這個地址post數(shù)據(jù)就行了

phone_num 登錄名
password 密碼
captcha_type 驗證碼類型(這個參數(shù)著這里并沒有實質(zhì)作用)
rember_me 記住密碼

_xsrf 一個隱藏的表單元素 知乎用來防御CSRF的（關(guān)于CSRF請打開這里） 我發(fā)現(xiàn)這個值是固定所以就在這里直接寫死了 若果有興趣的同學(xué)可以寫一個正則表達式 把這部分的值提取出來 這樣更嚴謹一些。

# -*- coding:utf-8 -*-
import urllib2
import urllib
import cookielib
posturl = 'https://www.zhihu.com/login/phone_num'
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) '
'AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/52.0.2743.116 Safari/537.36',
'Referer':'https://www.zhihu.com/'
}
value = {
'password':'*****************',
'remember_me':True,
'phone_num':'*******************',
'_xsrf':'**********************'
}
data=urllib.urlencode(value)
#初始化一個CookieJar來處理Cookie
cookieJar=cookielib.CookieJar()
cookie_support = urllib2.HTTPCookieProcessor(cookieJar)
#實例化一個全局opener
opener=urllib2.build_opener(cookie_support)
request = urllib2.Request(posturl, data, headers)
result=opener.open(request)
print result.read()

當(dāng)你看到服務(wù)器返回這個信息的時候就說明你登陸成功了

{"r":0,
"msg": "\u767b\u5f55\u6210\u529f"
}#翻譯過來就是 “登陸成功” 四個大字

然后你就可以用這個身份去抓取知乎上的頁面了

page=opener.open("https://www.zhihu.com/people/yu-yi-56-70")
content = page.read().decode('utf-8')
print(content)

這段代碼就是通過實例化一個opener對象保存成功登陸后的cookie信息，然后再通過這個opener帶著這個cookie去訪問服務(wù)器上關(guān)于這個身份的完整頁面。更復(fù)雜的比如微博的登陸這種對請求的數(shù)據(jù)進行加密了的后面有時間再寫出來，與大家分享

最新評論