【网络爬虫】【python】网络爬虫（三）：模拟登录——伪装浏览器登录爬取过程

一、关于抓包分析和debug Log信息

模拟登录访问需要设置request header信息，对于这个没有概念的朋友可以参见本系列前面的java版爬虫中提到的模拟登录过程，主要就是添加请求头request header。

而python抓包可以直接使用urllib2把debug Log打开，数据包的内容可以打印出来，这样都可以不用抓包了，直接可以看到request header里的内容。

import urllib2
httpHandler = urllib2.HTTPHandler(debuglevel = 1)
httpsHandler = urllib2.HTTPSHandler(debuglevel = 1)
opener = urllib2.build_opener(httpHandler, httpsHandler)
urllib2.install_opener(opener)
response = urllib2.urlopen(‘http://www.baidu.com’)
html = response.read()

另外对于抓包，对比里各款浏览器自带的开发者工具，觉得firefox的比Chrome的要好用，不仅数据包显示清晰，而且各种操作也比Chrome的方便得多，还有一些Chrome没有的功能。

分析下登录新浪微博过程的数据包。

登录前页面：

点击登录，看下这个过程：

打开看数据包可以看到详细的请求头、发送Cookie、响应头、传回的文件/数据等信息。

在Network选项卡里看看详细的情况，这里是请求头：

cookie存放的就是myuid和un账号，之后模拟登录要用到的cookie信息：

二、设置Headers到http请求

先看一个官方教程上的例子：

import urllib
import urllib2

url = 'http://s.weibo.com'
user_agent = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11'
values = {'name':'denny',
          'location':'BUPT',
          'language':'Python'
          }
headers = {'User-Agent':user_agent}
data = urllib.urlencode(values, 1)
request = urllib2.Request(url, data,headers)
response = urllib2.urlopen(request)
the_page = response.read()
print the_page

一个完整例子：

# -*- coding:utf8 -*-
import urllib2
import re
import StringIO
import gzip

ua = {#'User-Agent':'Mozilla/5.0 (compatible; Googlebot/2.1; +Googlebot - Webmaster Tools Help)',
      'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2062.124 Safari/537.36',
      'Connection':'Keep-Alive',
      'Accept-Language':'zh-CN,zh;q=0.8',
      'Accept-Encoding':'gzip,deflate,sdch',
      'Accept':'*/*',
      'Accept-Charset':'GBK,utf-8;q=0.7,*;q=0.3',
      'Cache-Control':'max-age=0'
      }

def get_html(url_address):
    '''open url and read it'''
    req_http = urllib2.Request(url_address, headers = ua)
    html = urllib2.urlopen(req_http).read()
    return html

def controller():
    '''make url list and download page'''
    url = 'http://s.weibo.com/wb/iPhone&nodup=1&page=10'
    reget = re.compile('(<div class=\"post-wrapper.*?)<p class=\"pagination\">', re.DOTALL)
    fp = open("e:/weibo/head.txt", "w+")
    for i in range(1, 131):
        html_c = get_html(url % (i))
        print url % (i)
        html_c = gzip.GzipFile(fileobj = StringIO.StringIO(html_c)).read()
        res = reget.findall(html_c)
        for x in res:
            fp.write(x)
            fp.write("\n\n\n")
    fp.close()
    return

if __name__ == '__main__':
    controller()

原创文章，转载请注明出处：http://blog.csdn.net/dianacody/article/details/39742711