Python 爬虫之模拟登录

最近应朋友要求，帮忙爬取了小红书创作平台的数据，感觉整个过程很有意思，因此记录一下。在这之前自己没怎么爬过需要账户登录的网站数据，所以刚开始去看小红书的登录认证时一头雾水，等到一步步走下来，最终成功，思路通了感觉其实还是很简单。

解决思路

一开始我就只有这么一个网址小红书创作平台，和登录账号、密码，然后经过数次试错分析，最终拿出了解决方案。要爬取这个平台的数据，最核心的就是使用 python 模拟浏览器登录进去。探索过程：

1、在登陆界面点击用密码登录，输入账号密码验证码，通过 chrome 调试工具查看请求的 header 会发现，登录时是通过 POST 方式，请求的实际地址是：http://post.xiaohongshu.com/web_api/sns/v1/homerus/user/login_with_passwd，登录需要的参数有五个，分别是账号、密码、token、captcha(图片验证码)、zone 值，其中 zone 是指你所在的国家的区号，例如中国为+86，因此值为 86。那么这里处理比较困难的就是 token 和 captcha

2、token 哪里来的？是什么值？captcha 是图片验证码，怎么处理？我发现进行在登陆界面点击用密码登录这个操作时，实际进行了一次 GET 请求，请求的地址http://post.xiaohongshu.com/api/homerus/login/captcha，并且返回了两个数据：一个是 token，还有一个是验证码图片链接。怎么样？有没有很开心，需要什么就来什么。

3、因为每次登录 token 和 captcha 都会刷新，因此代码里面不能写死。那么对于 captcha 我的处理方式就是把图片下载下来，手动在程序中输入验证码作为参数；那 token 呢？token 我已经获取了啊，直接作为参数即可！

因此解决该模拟登录过程一共三步：

一、通过 get 请求登陆界面获取 token 和图片验证码；

二、token 直接作为参数，验证码手动输入，加上账号、密码、区号作为post 请求登录的参数；

三、登陆成功后的 response header 里有我们需要的 cookie，将其取出拼到新的 request header 里，请求要爬取数据的页面，成功获取数据！

实现过程

具体代码实现就是按照上述思路的，我进行了注释，不再多做说明。

''' 第一步 '''
cookie = cookielib.CookieJar()
handler = urllib2.HTTPCookieProcessor(cookie)
opener = urllib2.build_opener(handler)
r=requests.get('http://post.xiaohongshu.com/api/homerus/login/captcha')
token = json.loads(r.text)['data']['token']     # get请求到的token
#print token
img_url=json.loads(r.text)['data']['url']
picture = opener.open(img_url).read()
local = open('F:/code.jpg', 'wb')               # 保存验证码到本地
local.write(picture)
local.close()
''' 第二步 '''
secret_code = raw_input('输入验证码： ')
login_data = {
   'phone': '136****0000',
   'passwd': 'XXXXXXXXXXXX',
   'token': token,                             # 获取的token
   'captcha': secret_code,                     # 手动输入的验证码
   '
}
headers = {'content-type': 'application/json'}  # payload请求方式
res = requests.post('http://post.xiaohongshu.com/web_api/sns/v1/homerus/user/login_with_passwd'
                   ,data=json.dumps(login_data),headers=headers)                                                      # 模拟登录
header={ ''' 第三步 '''
   'Accept': 'application / json, text / plain',
   'Connection': 'keep - alive',
   'Cookie': res.headers['Set-Cookie'].replace(' Path=/','')+'xhs_spid.6d29=21fa0111a09b6c3c'
                        '1516671392.1.15166716811516671392.6d3c3921-2e47-4cbe-b695-698499ac4636; xhs_spses.6d29=*',   # 登录成功的cookie拼装在header
   'Referer': 'http: // post.xiaohongshu.com /',
   'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}
resp = requests.get('http://post.xiaohongshu.com/web_api/sns/v1/homerus/note/list?page=1&page_size=200',headers=header)
data = json.loads(resp.text)

最终，我成功获取到如下所示的数据集。

网上有很多模拟登录微博豆瓣等网站的教程和代码，但小红书这个平台貌似不太受用，这个思路对于很多需要登陆才能查看数据的网站都应该有帮助，因此分享在这里供参考。

Python学习交流群：238757010

作者：Nekyo

原文链接：https://my.oschina.net/nekyo/blog/1612055