python爬虫scrapy之登录知乎

下面我们看看用scrapy模拟登录的基本写法：

　　注意：我们经常调试代码的时候基本都用chrome浏览器，但是我就因为用了谷歌浏览器（它总是登录的时候不提示我用验证码，误导我以为登录时不需要验证码，其实登录时候必须要验证码的），这里你可以多试试几个浏览器，一定要找个提示你输入验证码的浏览器调试。

　　1、我们登录的时候，提示我们输入验证码，当验证码弹出之前会有个请求，我们打开这个请求，很明显，type是login，验证码无疑了,就算是看请求的因为名，你也应该知道这个就是验证码的请求，或者打开这个验证码的请求url，这。

　　

　　

　　验证码的图片，悲惨了，这怎么整。别着急。。

　　

　　2、验证码提示我们要点击倒着写的字体，这。。。，爬虫和反爬虫就是无休止的互相折磨。这明显就是上面那个图片的信息。

　　

　　3、机智的我，发现验证码的请求参数里面有三个参数，r是一个13位的数字，type是登录用的，lang很可疑，改改它，把cn给他改成en。mygod这不也是验证码么，就试试它了。

　　

　　

　　4、页面基本登录原理分析完了，我们接下来看看代码怎么写，首先我们重构scrapy的start_requests方法（有scrapy基础的同学都知道，这个名字可不是瞎写的）。

　　5、分析这个验证码的请求连接，https://www.zhihu.com/captcha.gif?r=1511878790500&type=login&lang=en，这里面都可以固定，但是这个验证码肯定不行，13位的数字，果断想到了当前时间

　　　最后，我们要请求这个url，这里必须要加上请求头信息，callback就是下面你要执行的方法。

    def start_requests(self):
        '''
        1、首先构造并抓取登录需要提交的验证码
        :return:
        '''
        t = str(int(time.time() * 1000))
        captcha_url = 'https://www.zhihu.com/captcha.gif?r={0}&type=login&lang=en'.format(t)
        return [scrapy.Request(url=captcha_url, headers=self.header, callback=self.parser_captcha)]

　　6、上面请求完成后，就会将请求结果直接返回个下面的这个方法，所以它必须有个形式参数，来接收请求的结果，首先我们将请求的的结果，其实就是刚才我们看到的那个图片，图片的信息就在body里面，直接将整个body存成一个文件，然后我这里用的是Image打开我们存入的文件，文件都给你打开了，你还不得看看输入一下（如果你有云大码平台的服务，就直接让云大码平台搞定就行），这里我们只能自己看自己输入了。搞完了验证码，我们现在准备开始登陆，这里可不是直接用登陆的url登陆就行，你仔细的话还有个xrsf参数需要我们获取，那就请求的url直接就是登陆页面，注意你的头部信息，不伪装一下，立马给你请求出错。callback就不说了吧。这需要注意的就是，这直接把验证码存入了scrapy的meta里面了。

    def parser_captcha(self, response):
        '''
        1、根据start_requests方法返回的验证码，将它存入本地
        2、打开下载下来的验证码
        3、这里是需要手动输入的，这里可以接入打码平台
        :param response:
        :return:
        '''
        with open('captcha.jpg', 'wb') as f:
            f.write(response.body)
            f.close()
        try:
            im = Image.open('captcha.jpg')
            im.show()
            im.close()
        except:
            pass
        captcha = input("请输入你的验证>")
        return scrapy.FormRequest(url='https://www.zhihu.com/#signin', headers=self.header, callback=self.login, meta={
            'captcha': captcha
        })

　　7、下面我们来搞定xsrf参数，这里我用xpath，一句话搞定，下面就是post_url就是上面phone_num请求里面的url，也是真正意义上的post提交登录信息的url。因为我们已经把验证码放进了meta里面了，所以这里直接获取就行。基本登录信息伪装完成以后，开始提交登录信息，登录完成以后，我们设置一个callback回调方法，检查一下登录信息。

    def login(self, response):
        xsrf = response.xpath("//input[@name='_xsrf']/@value").extract_first()
        if xsrf is None:
            return ''
        post_url = 'https://www.zhihu.com/login/phone_num'
        post_data = {
            "_xsrf": xsrf,
            "phone_num": '你的账户名称',
            "password": '你的账户密码',
            "captcha": response.meta['captcha']
        }
        return [scrapy.FormRequest(url=post_url, formdata=post_data, headers=self.header, callback=self.check_login)]

　　8、上面请求完成以后，会返回我们一个字典，这里我们判断一下是否登录成功，如果登录成功以后，就执行我们start_urls里面的url地址，因为已经登录成功了，所以这里我们的start_urls就是https://www.zhihu.com,这样我们就可以再parse方法里面继续解析我们登录后的html信息了。

    def check_login(self, response):
        js = json.loads(response.text)
        print(js)
        if 'msg' in js and js['msg'] == '登录成功':
            for url in self.start_urls:
                print(url)
                yield scrapy.Request(url=url, headers=self.header, dont_filter=True)
        else:
            print("登录失败，请检查！！！")

　　

　　

代码如下：

import json
import scrapy
import time
from PIL import Image

class ZhihuloginSpider(scrapy.Spider):
    name = 'zhihu_login'
    allowed_domains = ['zhihu.com']
    start_urls = ['https://www.zhihu.com/']
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML,'
                                            ' like Gecko) Chrome/62.0.3202.94 Safari/537.36',
    }

    def parse(self, response):
        #主页爬取的具体内容
        print(response.text)

    def start_requests(self):
        '''
        1、首先构造并抓取登录需要提交的验证码
        :return:
        '''
        t = str(int(time.time() * 1000))
        captcha_url = 'https://www.zhihu.com/captcha.gif?r={0}&type=login&lang=en'.format(t)
        return [scrapy.Request(url=captcha_url, headers=self.header, callback=self.parser_captcha)]

    def parser_captcha(self, response):
        '''
        1、根据start_requests方法返回的验证码，将它存入本地
        2、打开下载下来的验证码
        3、这里是需要手动输入的，这里可以接入打码平台
        :param response:
        :return:
        '''
        with open('captcha.jpg', 'wb') as f:
            f.write(response.body)
            f.close()
        try:
            im = Image.open('captcha.jpg')
            im.show()
            im.close()
        except:
            pass
        captcha = input("请输入你的验证>")
        return scrapy.FormRequest(url='https://www.zhihu.com/#signin', headers=self.header, callback=self.login, meta={
            'captcha': captcha
        })

    def login(self, response):
        xsrf = response.xpath("//input[@name='_xsrf']/@value").extract_first()
        if xsrf is None:
            return ''
        post_url = 'https://www.zhihu.com/login/phone_num'
        post_data = {
            "_xsrf": xsrf,
            "phone_num": '你的账户名称',
            "password": '你的账户密码',
            "captcha": response.meta['captcha']
        }
        return [scrapy.FormRequest(url=post_url, formdata=post_data, headers=self.header, callback=self.check_login)]

    # 验证返回是否成功
    def check_login(self, response):
        js = json.loads(response.text)
        print(js)
        if 'msg' in js and js['msg'] == '登录成功':
            for url in self.start_urls:
                print(url)
                yield scrapy.Request(url=url, headers=self.header, dont_filter=True)
        else:
            print("登录失败，请检查！！！")