Python爬虫之模拟知乎登录的方法教程

发表于 5年以前 | 总阅读数：1223 次

前言

对于经常写爬虫的大家都知道，有些页面在登录之前是被禁止抓取的，比如知乎的话题页面就要求用户登录才能访问，而 "登录" 离不开 HTTP 中的 Cookie 技术。

登录原理

Cookie 的原理非常简单，因为 HTTP 是一种无状态的协议，因此为了在无状态的 HTTP 协议之上维护会话（session）状态，让服务器知道当前是和哪个客户在打交道，Cookie 技术出现了，Cookie 相当于是服务端分配给客户端的一个标识。

浏览器第一次发起 HTTP 请求时，没有携带任何 Cookie 信息
服务器把 HTTP 响应，同时还有一个 Cookie 信息，一起返回给浏览器
浏览器第二次请求就把服务器返回的 Cookie 信息一起发送给服务器
服务器收到HTTP请求，发现请求头中有Cookie字段，便知道之前就和这个用户打过交道了。

实战应用

用过知乎的都知道，只要提供用户名和密码以及验证码之后即可登录。当然，这只是我们眼中看到的现象。而背后隐藏的技术细节就需要借助浏览器来挖掘了。现在我们就用 Chrome 来查看当我们填完表单后，究竟发生了什么？

（如果已经登录的，先退出）首先进入知乎的登录页面 https://www.zhihu.com/#signin ，打开 Chrome 的开发者工具条（按 F12）先尝试输入一个错误的验证码观察浏览器是如何发送请求的。

从浏览器的请求可以发现几个关键的信息

登录的 URL 地址是 https://www.zhihu.com/login/email
登录需要提供的表单数据有4个：用户名（email）、密码（password）、验证码（captcha）、_xsrf。
获取验证码的URL地址是 https://www.zhihu.com/captcha.gif?r=1490690391695&type;=login

_xsrf 是什么？如果你对CSRF（跨站请求伪造）攻击非常熟悉的话，那么你一定知道它的作用，xsrf是一串伪随机数，它是用于防止跨站请求伪造的。它一般存在网页的 form 表单标签中，为了证实这一点，可以在页面上搜索 "xsrf"，果然，_xsrf在一个隐藏的 input 标签中

摸清了浏览器登录时所需要的数据是如何获取之后，那么现在就可以开始写代码用 Python 模拟浏览器来登录了。登录时所依赖的两个第三方库是 requests 和 BeautifulSoup，先安装


    pip install beautifulsoup4==4.5.3
    pip install requests==2.13.0

http.cookiejar 模块可用于自动处理HTTP Cookie，LWPCookieJar 对象就是对 cookies 的封装，它支持把 cookies 保存到文件以及从文件中加载。

而 session 对象提供了 Cookie 的持久化，连接池功能，可以通过 session 对象发送请求

首先从cookies.txt 文件中加载 cookie信息，因为首次运行还没有cookie，所有会出现 LoadError 异常。


    from http import cookiejar
    session = requests.session()
    session.cookies = cookiejar.LWPCookieJar(filename='cookies.txt')
    try:
     session.cookies.load(ignore_discard=True)
    except LoadError:
     print("load cookies failed")

获取 xsrf

前面已经找到了 xsrf 所在的标签，，利用 BeatifulSoup 的 find 方法可以非常便捷的获取该值


    def get_xsrf():
     response = session.get("https://www.zhihu.com", headers=headers)
     soup = BeautifulSoup(response.content, "html.parser")
     xsrf = soup.find('input', attrs={"name": "_xsrf"}).get("value")
     return xsrf

获取验证码

验证码是通过 /captcha.gif 接口返回的，这里我们把验证码图片下载保存到当前目录，由人工识别，当然你可以用第三方支持库来自动识别，比如 pytesser。


    def get_captcha():
     """
     把验证码图片保存到当前目录，手动识别验证码
     :return:
     """
     t = str(int(time.time() * 1000))
     captcha_url = 'https://www.zhihu.com/captcha.gif?r=' + t + "&type;=login"
     r = session.get(captcha_url, headers=headers)
     with open('captcha.jpg', 'wb') as f:
      f.write(r.content)
     captcha = input("验证码：")
     return captcha

一切参数准备就绪之后，就可以请求登录接口了。


    def login(email, password):
     login_url = 'https://www.zhihu.com/login/email'
     data = {
      'email': email,
      'password': password,
      '_xsrf': get_xsrf(),
      "captcha": get_captcha(),
      'remember_me': 'true'}
     response = session.post(login_url, data=data, headers=headers)
     login_code = response.json()
     print(login_code['msg'])
     for i in session.cookies:
      print(i)
     session.cookies.save()

请求成功后，session 会自动把服务端的返回的cookie 信息填充到 session.cookies 对象中，下次请求时，客户端就可以自动携带这些cookie去访问那些需要登录的页面了。

auto_login.py 示例代码


    # encoding: utf-8
    # !/usr/bin/env python
    """
    作者：liuzhijun
    """
    import time
    from http import cookiejar

    import requests
    from bs4 import BeautifulSoup

    headers = {
      "Host": "www.zhihu.com",
      "Referer": "https://www.zhihu.com/",
      'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87'
    }

    # 使用登录cookie信息
    session = requests.session()
    session.cookies = cookiejar.LWPCookieJar(filename='cookies.txt')
    try:
      print(session.cookies)
      session.cookies.load(ignore_discard=True)

    except:
      print("还没有cookie信息")


    def get_xsrf():
      response = session.get("https://www.zhihu.com", headers=headers)
      soup = BeautifulSoup(response.content, "html.parser")
      xsrf = soup.find('input', attrs={"name": "_xsrf"}).get("value")
      return xsrf


    def get_captcha():
      """
      把验证码图片保存到当前目录，手动识别验证码
      :return:
      """
      t = str(int(time.time() * 1000))
      captcha_url = 'https://www.zhihu.com/captcha.gif?r=' + t + "&type;=login"
      r = session.get(captcha_url, headers=headers)
      with open('captcha.jpg', 'wb') as f:
        f.write(r.content)
      captcha = input("验证码：")
      return captcha


    def login(email, password):
      login_url = 'https://www.zhihu.com/login/email'
      data = {
        'email': email,
        'password': password,
        '_xsrf': get_xsrf(),
        "captcha": get_captcha(),
        'remember_me': 'true'}
      response = session.post(login_url, data=data, headers=headers)
      login_code = response.json()
      print(login_code['msg'])
      for i in session.cookies:
        print(i)
      session.cookies.save()


    if __name__ == '__main__':
      email = "xxxx"
      password = "xxxxx"
      login(email, password)

github源码地址：https://github.com/lzjun567/crawler_html2pdf/blob/master/zhihu/auto_login.py

总结

以上就是关于Python爬虫之模拟知乎登录的全部内容，希望本文的内容对大家学习或者使用python能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对脚本之家的支持。