Python爬虫学习笔记之模拟登陆并爬去GitHub

(1)环境准备:

请确保已经安装了requests和lxml库

(2)分析登陆过程:

    首先要分析登陆的过程，需要探究后台的登陆请求是怎样发送的，登陆之后又有怎样的处理过程。

     如果已经登陆GitHub，则需要先退出登陆，同时清除Cookies

     打开GitHub的登陆页面，链接为https://github.com/login，输入GitHub的用户名和密码，打开开发者工具

     ，将Preserver Log选项勾选上，这表示持续日志，如下图所示

点击登录按钮，这时便会看到开发者工具下方显示了各个请求过程，如下图所示：

     点击session请求，进入其详情，如下图所示：

可以看到请求的URL为https://www.github.com/session,请求方式为POST。再往下看，我们观察到他的Form Data和Headers这两部分内容，

   如下图所示：

     Headers里面包含了Cookies，Host，Origin，Refer，User-Agent等信息。Form Data包含了5个字段，commit是固定的字符串Sign in，utf8

是一个勾选字符，authenticity_token较长，其初步判断是一个Base64加密的字符串，login是登陆的用户名，password是登陆的密码。

     综上所述，我们现在无法直接构造的内容有Cookies和authenticity_token。下面我们再来探寻一下这部分内容如何获取。

在登陆之前我们会访问到一个登陆页面，此页面是通过GET形式访问的。输入用户名和密码，点击登录按钮，浏览器发送这两部分信息，也就是

说Cookies和authenticity_token一定在访问扥估页面时候设置的。

     这时在退出登陆，回到登录页，同时清除Cookies，重新访问登录页，截获发生的请求，如下图所示：

   

     访问登陆页面的请求如上，Response Headers有一个Set-Cookie字段。这就是设置Cookies的过程。

     另外，我们发现Response Headers没有和authenticity_token相关的信息，所以可能authenticity_token还隐藏在其他的地方或者是计算出来的

。我们再从网页的源码探寻，搜索相关字段，发现源代码里面还隐藏着此信息，他是一个隐藏式表单元素，如下图所示：

     现在我们已经获取到网页所有信息，接下来让我们 实现模拟登陆

(3)代码如下:

 import requests
 from lxml import etree

 class Login(object):
     def __init__(self):
         self.headers = {
             'Refer': 'https://github.com',
             'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                           'Chrome/68.0.3440.75 Safari/537.36',
             'Host': 'github.com'
         }
         self.login_url = 'https://github.com/login'
         self.post_url = 'https://github.com/session'
         self.logined_url = 'https://github.com/settings/profile'
         self.session = requests.Session()   # 此函数可以帮助我们维持一个会话，而且可以自动处理cookies，我们不用再去担心cookies的问题

     def token(self):
         response = self.session.get(self.login_url, headers=self.headers)  # 访问GitHub的登录页面
         selector = etree.HTML(response.text)
         token = selector.xpath('//div//input[2]/@value')[0]   # 解析出登陆所需的authenticity_token信息
         return token

     def login(self, email, password):
         post_data = {
             'commit': 'Sign in',
             'utf-8': '✓',
             'authenticity_token': self.token(),
             'login': email,
             'password': password
         }
         response = self.session.post(self.post_url, data=post_data, headers=self.headers)
         if response.status_code == 200:
             self.dynamics(response.text)

         response = self.session.get(self.logined_url, headers=self.headers)
         if response.status_code == 200:
             self.profile(response.text)

     def dynamics(self, html):  # 使用此方法提取所有动态信息
         selector = etree.HTML(html)
         dynamics = selector.xpath('//div[contains(@class, "news")]//div[contains(@class, "alert")]')
         for item in dynamics:
             dynamics = ' '.join(item.xpath('.//div[@class="title"]//text()')).strip()
             print(dynamics)

     def profile(self, html):  # 使用此方法提取个人的昵称和绑定的邮箱
         selector = etree.HTML(html)
         name = selector.xpath('//input[@id="user_profile_name"]/@value')[0]
         email = selector.xpath('//select[@id="user_profile_email"]/option[@value!=""]/text()')
         print(name, email)

 if __name__ == "__main__":
     login = Login()
     login.login(email='', password='')  # 此处填自己的