十四 web爬虫讲解2—Scrapy框架爬虫—豆瓣登录与利用打码接口实现自动识别验证码

打码接口文件

# -*- coding: cp936 -*-

import sys
import os
from ctypes import *

# 下载接口放目录 http://www.yundama.com/apidoc/YDM_SDK.html
# 错误代码请查询 http://www.yundama.com/apidoc/YDM_ErrorCode.html
# 所有函数请查询 http://www.yundama.com/apidoc

print('>>>正在初始化...')

YDMApi = windll.LoadLibrary('H:/py/16/adc/adc/yamzhm/yundamaAPI-x64')

# 1. http://www.yundama.com/index/reg/developer 注册开发者账号
# 2. http://www.yundama.com/developer/myapp 添加新软件
# 3. 使用添加的软件ID和密钥进行开发，享受丰厚分成

appId = 3818   # 软件ＩＤ，开发者分成必要参数。登录开发者后台【我的软件】获得！
appKey = b'6ff56e09e89fffe45c14abe624af9456'     # 软件密钥，开发者分成必要参数。登录开发者后台【我的软件】获得！

# print('软件ＩＤ：%d\r\n软件密钥：%s' % (appId, appKey))

# 注意这里是普通会员账号，不是开发者账号，注册地址 http://www.yundama.com/index/reg/user
# 开发者可以联系客服领取免费调试题分

username = b'adc8868'
password = b'adc279819'

if username == b'test':
    exit('\r\n>>>请先设置用户名密码')

####################### 一键识别函数 YDM_EasyDecodeByPath #######################

# print('\r\n>>>正在一键识别...')
#
# # 例：1004表示4位字母数字，不同类型收费不同。请准确填写，否则影响识别率。在此查询所有类型 http://www.yundama.com/price.html
# codetype = 1004
#
# # 分配30个字节存放识别结果
# result = c_char_p(b"                              ")
#
# # 识别超时时间 单位：秒
# timeout = 60
#
# # 验证码文件路径
# filename = b'H:/py/16/adc/adc/yamzhm/yan_zhe_nma.jpg'
#
# # 一键识别函数，无需调用 YDM_SetAppInfo 和 YDM_Login，适合脚本调用
# captchaId = YDMApi.YDM_EasyDecodeByPath(username, password, appId, appKey, filename, codetype, timeout, result)
#
# print("一键识别：验证码ID：%d，识别结果：%s" % (captchaId, result.value))

################################################################################

########################## 普通识别函数 YDM_DecodeByPath #########################

# print('\r\n>>>正在登陆...')

# 第一步：初始化云打码，只需调用一次即可
YDMApi.YDM_SetAppInfo(appId, appKey)

# 第二步：登陆云打码账号，只需调用一次即可
uid = YDMApi.YDM_Login(username, password)

if uid > 0:

    # print('>>>正在获取余额...')

    # 查询账号余额，按需要调用
    balance = YDMApi.YDM_GetBalance(username, password)

    print('登陆成功，用户名：%s，剩余题分：%d' % (username, balance))

    print('\r\n>>>正在普通识别...')

    # 第三步：开始识别

    # 例：1004表示4位字母数字，不同类型收费不同。请准确填写，否则影响识别率。在此查询所有类型 http://www.yundama.com/price.html
    codetype = 3000

    # 分配30个字节存放识别结果
    result = c_char_p(b"                              ")

    # 验证码文件路径
    filename = b'H:/py/16/adc/adc/yamzhm/yan_zhe_nma.jpg'

    # 普通识别函数，需先调用 YDM_SetAppInfo 和 YDM_Login 初始化
    captchaId = YDMApi.YDM_DecodeByPath(filename, codetype, result)

    print("普通识别：验证码ID：%d，识别结果：%s" % (captchaId, result.value))

else:
    print('登陆失败，错误代码：%d' % uid)

################################################################################

# print('\r\n>>>错误代码请查询 http://www.yundama.com/apidoc/YDM_ErrorCode.html')

# input('\r\n测试完成，按回车键结束...')

实现文件

# -*- coding: utf-8 -*-
import os
from urllib import request                     #导入request模块

import scrapy
from scrapy.http import Request,FormRequest

class PachSpider(scrapy.Spider):                            #定义爬虫类，必须继承scrapy.Spider
    name = 'pach'                                           #设置爬虫名称
    allowed_domains = ['douban.com']                    #爬取域名
    # start_urls = ['']                                     #爬取网址,只适于不需要登录的请求，因为没法设置cookie等信息

    header = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0'}  #设置浏览器用户代理

    def start_requests(self):
        """第一次请求一下登录页面，设置开启cookie使其得到cookie，设置回调函数"""
        print("第一次请求页面获取Cookies.........!")
        return [Request('https://accounts.douban.com/login',meta={'cookiejar':1},callback=self.parse,headers=self.header)]

    def parse(self, response):
        # 响应Cookies
        Cookie1 = response.headers.getlist('Set-Cookie')                            #查看一下响应Cookie，也就是第一次访问注册页面时后台写入浏览器的Cookie
        print('后台首次写入的响应Cookies：',Cookie1)

        #判断是否出现验证码
        yzhm = response.xpath('//img[@id="captcha_image"]/@src').extract()
        if len(yzhm) > 0:
            print("出现验证码，请输入验证码")
            print('验证码图片地址：',yzhm)
            #将验证码图片保存到本地
            file_path = os.path.join(os.getcwd() + '/adc/yamzhm/yan_zhe_nma.jpg')   # 拼接图片保存路径
            print(file_path)
            request.urlretrieve(yzhm[0], file_path)                             # 将图片保存到本地，参数1获取到的src，参数2保存路径

            #使用在线打码，自动识别验证码
            from adc.yamzhm import YDMPython3                                   #导入打码模块
            yan_zhen_ma = str(YDMPython3.result.value,encoding='utf-8')         #接收打码结果
            print('写入验证码',yan_zhen_ma)

            data = {                                                            # 设置用户登录信息，对应抓包得到字段
                'source': 'None',
                'redir': 'https://www.douban.com/people/81309370/',
                'form_email': '729088188@qq.com',
                'form_password': 'adc279819',
                'login': '登录',
                'captcha-solution': yan_zhen_ma
            }

            print('第二次post请求携带Cookies授权，登录中........!')

            """第二次用表单post请求，携带Cookie、浏览器代理、用户登录信息，进行登录给Cookie授权"""
            return [FormRequest.from_response(response,
                                              url='https://accounts.douban.com/login',                        #真实post地址
                                              meta={'cookiejar':response.meta['cookiejar']},
                                              headers=self.header,
                                              formdata=data,
                                              callback=self.next,
                                              )]
        else:
            data = {  # 设置用户登录信息，对应抓包得到字段
                'source': 'None',
                'redir': 'https://www.douban.com/people/81309370/',
                'form_email': '729088188@qq.com',
                'form_password': 'adc279819',
                'login': '登录',
            }

            print('第二次post请求携带Cookies授权，登录中........!')

            """第二次用表单post请求，携带Cookie、浏览器代理、用户登录信息，进行登录给Cookie授权"""
            return [FormRequest.from_response(response,
                                              url='https://accounts.douban.com/login',  # 真实post地址
                                              meta={'cookiejar': response.meta['cookiejar']},
                                              headers=self.header,
                                              formdata=data,
                                              callback=self.next,
                                              )]

    def next(self,response):
        # 请求Cookie
        Cookie2 = response.request.headers.getlist('Cookie')
        print('登录时携带请求的Cookies：',Cookie2)

        dlujieg = response.xpath('/html/head/title/text()').extract()
        if dlujieg:
            print('登录响应结果：',dlujieg)
        else:
            jieg = response.body.decode("utf-8")   #登录后可以查看一下登录响应信息
            print('登录响应结果：',jieg)

        print('第三次请求携带授权Cookie，请求需要登录才能查看的页面.........!')
        yield Request('https://www.douban.com/people/81309370/',meta={'cookiejar':True},headers=self.header,callback=self.next2)

    def next2(self,response):
        # 请求Cookie
        Cookie3 = response.request.headers.getlist('Cookie')
        print('查看需要登录才可以访问的页面携带Cookies：',Cookie3)

        leir = response.xpath('/html/head/title/text()').extract()  #得到个人中心页面
        print('最终内容',leir)
        # leir2 = response.xpath('//div[@class="set-tags"]/a/text()').extract()  # 得到个人中心页面
        # print(leir2)