在之前写过一篇使用python爬虫爬取电影天堂资源的博客,重点是如何解析页面和提高爬虫的效率。由于电影天堂上的资源获取权限是所有人都一样的,所以不需要进行登录验证操作,写完那篇文章后又花了些时间研究了一下python模拟登陆,网上关于这部分的资料很多,很多demo都是登陆知乎的,原因是知乎的登陆比较简单,只需要post几个参数,保存cookie。而且还没有进行加密,很适合用来做教学。我也是是新手,一点点的摸索终于成功登陆上了知乎。就通过这篇文章分享一下学习这部分的心得,希望对那些和我一样的初学者有所帮助。

  先来说一下,爬虫模拟登陆的基本原理吧,我也是刚开始接触对于一些深层次的东西也不是掌握的很清楚。首先比较重要的一个概念就是cookie,我们都知道HTTP是一种无状态的协议,也就是说当一个浏览器客户端向服务器提交一个request,服务器回应一个response后,他们之间的联系就中断了。这样就导致了这个客户端在向服务器发送请求时,服务器无法判别这两个客户端是不是一个了。这样肯定是不行的。这时cookie的作用就体现出来了。当客户端向服务器发送一个请求后,服务器会给它分配一个标识(cookie),并保存到客户端本地,当下次该客户端再次发送请求时连带着cookie一并发送给服务器,服务器一看到cookie,啊原来是你呀,这是你的东西,拿走吧。所以一个爬虫模拟登陆就是要要做到模拟一个浏览器客户端的行为,首先将你的基本登录信息发送给指定的url,服务器验证成功后会返回一个cookie,我们就利用这个cookie进行后续的爬取工作就行了。

   我这里抓包用的就是chrome的开发者工具,不过你也可以使用Fiddler、Firebug等都可以,只不过作为一名前端er对chrome有一种特殊的喜爱之情。准备好工具接下来就要打开知乎的登陆页面并查看https://www.zhihu.com/#signin 我们可以很容易发现这个请求 发送的就是登录信息,当然我使用手机登陆的 用邮件登陆的是最后结尾是email

Python 爬虫模拟登陆知乎

所以我们只需要向这个地址post数据就行了

Python 爬虫模拟登陆知乎

phone_num   登录名

password       密码

captcha_type  验证码类型(这个参数着这里并没有实质作用)

rember_me    记住密码

_xsrf             一个隐藏的表单元素 知乎用来防御CSRF的(关于CSRF请打开这里) 我发现这个值是固定所以就在这里直接写死了 若果有兴趣的同学可以写一个正则表达式 把这部分的值提取出来 这样更严谨一些。

Python 爬虫模拟登陆知乎

# -*- coding:utf-8 -*-<br/>
import urllib2<br/>
import urllib<br/>
import cookielib<br/>
posturl = 'https://www.zhihu.com/login/phone_num'<br/>
headers={<br/>
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) '<br/>
                 'AppleWebKit/537.36 (KHTML, like Gecko) '<br/>
                 'Chrome/52.0.2743.116 Safari/537.36',<br/>
    'Referer':'https://www.zhihu.com/'<br/>
}<br/>
value = {<br/>
    'password':'*****************',<br/>
    'remember_me':True,<br/>
    'phone_num':'*******************',<br/>
    '_xsrf':'**********************'<br/>
}<br/>
data=urllib.urlencode(value)<br/>
#初始化一个CookieJar来处理Cookie<br/>
cookieJar=cookielib.CookieJar()<br/>
cookie_support = urllib2.HTTPCookieProcessor(cookieJar)<br/>
#实例化一个全局opener<br/>
opener=urllib2.build_opener(cookie_support)<br/>
request = urllib2.Request(posturl, data, headers)<br/>
result=opener.open(request)<br/>
print result.read()

当你看到服务器返回这个信息的时候就说明你登陆成功了

{"r":0,<br/>
 "msg": "\u767b\u5f55\u6210\u529f"<br/>
}<br/>#翻译过来就是 “登陆成功” 四个大字

然后你就可以用这个身份去抓取知乎上的页面了

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