可登陆爬虫Python实现

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。

import requests

import re

from bs4 import BeautifulSoup

import random

import urllib, urllib2

信息添加到post中

login_url = "https://accounts.douban.com/login"

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：

\'\'\' 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

\'\'\' 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。

\'\'\' use bs4 filter douban.com\'s doumail following\'\'\'

if q.url == "http://www.douban.com/doumail/":

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。