Python网络爬虫实战(四)模拟登录

对于一个网站的首页来说，它可能需要你进行登录，比如知乎，同一个URL下，你登录与未登录当然在右上角个人信息那里是不一样的。

(登录过)

(未登录)

那么你在用爬虫爬取的时候获得的页面究竟是哪个呢？

肯定是第二个，不可能说你不用登录就可以访问到一个用户自己的主页信息，那么是什么让同一个URL在爬虫访问时出现不同内容的情况呢？

在第一篇中我们提到了一个概念，cookie，因为HTTP是无状态的，所以对方服务器并不知道这次请求到底来自于谁，就好像突然你收到了一封信，上面让你给他寄一些东西，但是信上却没有他的联系方式。

在HTTP中也是如此，我们普通的请求都类似于匿名信，而cookie的出现，就是让这封信上盖上了你自己的名字。

在请求时附带上你的cookie，服务器放就会知道这次请求来自于谁，然后你点击个人信息页，服务器就知道是要返回这个cookie对应的用户的信息页了。

在谷歌浏览器中，你可以在控制台Application里面找到当前网站的所有cookie键值对。一般来说用于确认你个人信息的只有一个键值对，但是你也可以把所有的都用上，并不能保证对方服务器是不是对某些键值对也进行检查了。

很多网站在你没有登录的情况下并不会给过多的数据让你看，所以你的爬虫需要进行一次模拟登录。

模拟登录需要从一个网站的登录界面开始，因为我们要在这里用爬虫发送post请求附带账号密码来登录对方网站。

拿人人网来举例。

人人网登录地址：http://www.renren.com/

打开控制台，我们可以先尝试观察一次登录的网络请求。很容易就能在里面找到一个/login的POST请求，登录的请求都会是POST，因为GET请求的参数会放在URL上，很容易被人拦截看到你的账号密码。

在表单参数中，我们需要注意的就只有email,password和rkey了，其他的照填即可。

email是我们的账号名，可以是邮箱也可以是电话号。

password是密码，这个密码明显是加密过的，对于这种情况，我们在请求时也要用同样的算法对密码进行加密，但是我们如何知道对方采用了什么加密算法呢？

这种情况大多数你都可以在控制台sources里面找到，在这里你可以找到网站加载过的所有文件，而加密算法一般会在js文件中。

sources里面很明显有一个叫login.js的文件，那么它一定和登录有关系，因为在sources里面打开js太难看了，会缩成一行，所以我就在控制台打开它了。

根据password定位到这里。

可以找到关于登录时密码加密的算法，顺便一提，人人网这个login.js的函数命名真的是没救了，abcd...xyz用了个遍，不知道是为了恶心自己人还是恶心别人写爬虫分析它这个login。但是很遗憾的是人人网给爬虫留下了一个很方便的登录途径，我们甚至可以不用自己加密密文！！！

虽然说这里可以不用自己转义加密算法了，但是其实很多网站并不会像人人网这样暴露出一个action的do事件让我们可以直接调用的，所以最好还是掌握一些密文加密的那部分。

再来看人人网暴露出的爬虫便捷登录的接口。

我们只需要调用这个do即可完成登录。

也就是说，我们模拟这个form来完成请求，在请求前，我们需要把信息装填到form中。

先安装scrapy依赖

pip install scrapy

import scrapy
url = "http://www.renren.com/PLogin.do"
data = {"email": "xxxxx", "password": "xxxxx"}
response = scrapy.FormRequest(url,formdata=data,callback=self.parse_page)

登录成功之后，我们就可以从response中拿到cookie，然后在之后的请求中都附带上cookie，这样对方服务器就知道我们是谁了。

如果之前在网页登录失败次数过多，可能会导致爬虫模拟登录需要验证码，而此处是考虑不需要验证码的情况，所以可能会登录失败，解决方法可以是清理本机Cookie。