爬虫模拟登录

模拟登录这块我本来试着scrapy，但是我觉得真得号不灵活，倒腾了半天，也不行。后来还是用了我之前写的代码，用requests模块模拟。requests模块特别好用，比urllib2以及其他的都好用（至少我是这么觉得地）。
模拟登录其实主要掌握了几点，就很好下手。

  1. 要抓住真正要登录的URL；
  2. 要拿到要post的表单数据Form data，一般是以字典形式；
  3. 填写好header，有的网站可能会认证User-Agent,Host,Referer等等请求头。

下面就来逐步说说我写模拟登录的过程。 想要拿到上面说到的数据，应该抓包分析，可以直接使用火狐的firebug插件或者chrome浏览器直接分析。

目标网站：http://zhixing.bjtu.edu.cn/portal.php

先打开分析工具，自己填写账号信息，登录。注意，分析工具要设置保存log ，因为有些网站是登录后跳转，会把post那个log删除。我填好后提交之后得到了下面结果：

然后再看下提交的表单数据：

请求头：

至此，我们已经拿到了所有需要的数据，现在开始模拟。

我们使用requests模块，该模块有Session类，很管用。Session类对象让你能够跨请求保持某些参数，它也会在同一个 Session 实例发出的所有请求之间保持cookies.也就是说用一个session默认保存了cookie，不用认为去处理cookie，很方便 。 

def login(self,posturl,postdata):
    '''
    self.build_opener()
    postdata = urllib.urlencode(postdata)
    request = urllib2.Request(url=posturl,data=postdata,headers=self.headers)
    #print self.opener.open(request)
    resp = urllib2.urlopen(request).read()
    print resp
    '''
    self.session = requests.Session()
    r = self.session.post(posturl,data=postdata,headers=self.headers)
    return dict(r.cookies) if not isinstance(r.cookies,dict) else r.cookies

注意我的代码，session方法很简单，而用urllib2方法也可以实现目的，但是很麻烦。我这里的headers是我在类中定义的属性，就不过细赘述。我这里返回cookie，是为了给我的scrapy使用的，可忽略。

执行完上述操作后，我们就可以对需要登录才能访问的界面进行爬取了。 

def login_get_content(self,url,url_type='html'):
    content = self.session.get(url,timeout = 15) 
    try:
        #get original data brfore transferring unicode
        content = content.content
    except UnicodeEncodeError:
        content = content.text.encode('utf-8')
    except UnicodeDecodeError:
        print 'test'
        content = content.text
    content = StringIO(content)
    #print content.read(),'test cstr'
    if url_type == 'json':
        return json.load(content)
    elif url_type == 'xml':
        return ET.parse(content)
    else:
        return BeautifulSoup(content,"html5lib")

我上面使用Beautifulsoup进行页面分析了。

看了上述操作，你肯定也会有感触，requests很好用。

说了上面的模拟登录，有人会说太麻烦，每次都要自己寻找posturl，formdata等等一大堆，他们提出直接手动登录，然后获取响应头中的cookie，这样很方便。但这最大的问题就是cookie是存在有效期，过期后就不好用了，而且作为程序员，怎么能允许自己总是手动这么low的方式存在呢，所以还是一劳永逸的好。获得cookie之后，你别的地方也完全可以使用该cookie进行登录。我在scrapy中就将requests与其结合了。 

class ZxSpider(CrawlSpider):
    name = 'zhixing'

    def start_requests(self):
        spider = Base_Spider('zhixing',['Host','Origin','Referer'])
        posturl = 'http://zhixing.bjtu.edu.cn/member.php?mod=logging&action=login&loginsubmit=yes&infloat=yes&lssubmit=yes&inajax=1'
        postdata = {
            'username':'***',
            'password':'*****',
            'quickforward':'yes',
            'handlekey':'ls'
        }
        cookies = spider.login(posturl,postdata)

        url = 'http://zhixing.bjtu.edu.cn/thread-1047622-1-1.html'


        return [Request(url,cookies=cookies,callback=self.parse_page,headers=spider.headers)]

    def parse_page(self,response):
        sel = Selector(response)
        r = sel.xpath('//td[@id="postmessage_10415551"]/text()').extract_first()
        print r
        return r

在scrapy中获取到cookies之后，就可以随心所欲的进行爬取啦！

介绍完了模拟登录，后续要开始研究对动态加载页面的爬取知识。

--------EOF---------
微信分享/微信扫码阅读