Python爬虫初学(三)—— 模拟登录知乎
2017-06-16 13:00
621 查看
模拟登录知乎
知乎登录分为邮箱登录和手机登录两种方式,通过浏览器的开发者工具查看,我们通过不同方式登录时,网址是不一样的。邮箱登录的地址
email_url = 'https://www.zhihu.com/login/email',手机登录网址是
phone_url = 'http://www.zhihu.com/login/phone_num'。
1. 建立一个可以传Cookie的opener
Cookie用来跟踪用户是否已经登录的状态信息。一旦网站认证了我们的登录,就会将cookie存到浏览器中,里面包含了服务器生成的令牌、登录有效时长、状态跟踪信息。当登陆有效时长达到,我们的登录状态就被清空,想要访问其他需要登录后才能访问的页面也就不能成功了。意思就是我们能保持登录状态不掉线,是因为服务器端核对了我们访问时携带的cookie,核对成功后服务器端就认为我们时“已经登录了”的状态。urllib.requst.urlopen()可传入的参数中,都不能携带cookie信息。
http.cookiejar的
FileCookieJar可以帮到我们,
FileCookieJar可以将cookie存到本地文件中。 其中
FileCookieJar的子类
LWPCookieJar,可以存
Set-Cookie3类型的文件,而
MozillaCookieJar子类是存为
.txt格式的文件。这里我使用
LWPCookieJar。
filename = 'cookie' cookie = http.cookiejar.LWPCookieJar(filename)
这样就建立了一个可以保存cookie的实例对象,它还有一个方法
load()可以从本地加载已存的cookie数据,这样我们就可以携带着cookie(相当于带了一块令牌)访问服务器,服务器核对成功后,就可以访问那些登录后才能访问的页面。
try: cookie.load(ignore_discard=True) except IOError: print('Cookie未加载!')
其中参数
ignore_discard=True表示即使cookies将被丢弃也把它保存下来,它还有另外一个参数
igonre_expires表示当前数据覆盖(overwritten)原文件。
现在建立一个可以处理cookie的opener。
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 ' '(KHTML, like Gecko) Chrome/57.0.2987.98 Safari/537.36', "Host": "www.zhihu.com", "Referer": "https://www.zhihu.com/", } # 创建一个可以处理cookies的opener opener = request.build_opener(request.HTTPCookieProcessor(cookie)) # 给openner添加headers, addheaders属性接受元组而非字典 opener.addheaders = [(key, value) for key, value in headers.items()]
接下来我们可以使用
opener.open()来传入url和data了。
2. 获取登录所需关键参数
模拟登录知乎,除了要POST自己的账号密码,还有两个动态生成的参数,一个是_xsrf,还有一个就是讨厌的验证码了。我们输入账号密码后,通过开发者工具找到一个名为email的json文件,请求方法是POST,可以看到其域名是
https://www.zhihu.com/login/email.我用火狐的开发者工具,点开这个文件看到里面的参数。
与chrome对应的好像是Headers下面的Form Data,在Network里面勾选preserve log就可以看到。
这里就把本人邮箱和密码的给打码了哈,嘿嘿。
获取_xsrf
这个参数是动态变化了,所以不能获取一次后就一劳永逸。从html的body里面搜索下_xsrf,然后用正则表达式匹配出来就行。
def get_xsrf(): """ 获取参数_xsrf """ req = opener.open('https://www.zhihu.com') html = req.read().decode('utf-8') get_xsrf_pattern = re.compile(r'<input type="hidden" name="_xsrf" value="(.*?)"') # 这里会返回多个值,不过都是一样的内容,取第一个就行 _xsrf = re.findall(get_xsrf_pattern, html)[0] return _xsrf
获取验证码
知乎登录一般需要填入验证码,如果没有post这个参数过去,是不能成功登录的。知乎的验证码开始把我给坑了,在html内容的页面里搜索能看到验证码图片的网址,但是实际用
xxx.read().decode('utf-8')获取到的网页内容是没有这个网址的,它被隐藏了!好狡诈。研究无果只好搜索,从知乎上这个问题xchaoinfo的回答找到答案,结果是这个图片网址中的一串数字就是时间戳。
时间戳是指格林威治时间1970年01月01日00时00分00秒(北京时间1970年01月01日08时00分00秒)起至现在的总秒数。
通过
time.time()可以查看当前时间戳。比如我当前是
1471771678.5400066,看是不是和上面红框中的很接近!通过过换算关系
t = time.time() * 1000可以得到图片链接的关键部分,其余部分都是不变的。验证码的完整地址为
captcha_url = 'http://www.zhihu.com/captcha.gif?r=' + t + "&type=login"。好了,链接知道了,下载下来查看并手动输入就行了。再把这个post过去应该就可以登录成功了,好激动。
def get_captcha(): """ 获取验证码本地显示 返回你输入的验证码 """ t = str(int(time.time() * 1000)) # 验证码完整网址 captcha_url = 'http://www.zhihu.com/captcha.gif?r=' + t + "&type=login" # 下载验证码图片,用下面注释掉的方法一样的效果 request.urlretrieve(captcha_url, 'cptcha.gif') # image_data = request.urlopen(captcha_url).read() # with open('cptcha.gif', 'wb') as f: # f.write(image_data) # 用Pillow库显示图片,免去手动去文件夹打开的麻烦 im = Image.open('cptcha.gif') im.show() captcha = input('本次登录需要输入验证码: ') return captcha
3. 尝试模拟登录知乎
关键的两个东西我们都获取到了,现在登录一下试试吧!要将登录方式考虑进去,如果检测到用于输入手机号,则我们应该访问手机登录网址;否则就是邮箱登录。def login(username, password): """ 输入自己的账号密码,模拟登录知乎 """ # 检测到11位数字则是手机登录 if re.match(r'\d{11}$', username): url = 'http://www.zhihu.com/login/phone_num' data = {'_xsrf': get_xsrf(), 'password': password, 'remember_me': 'true', 'phone_num': username } else: url = 'https://www.zhihu.com/login/email' data = {'_xsrf': get_xsrf(), 'password': password, 'remember_me': 'true', 'email': username } # 若不用验证码,直接登录 post_data = parse.urlencode(data).encode('utf-8') r = opener.open(url, post_data) result = r.read().decode('utf-8') # 打印返回的响应,r = 1代表响应失败,msg里是失败的原因 # 要用验证码,post后登录 if (json.loads(result))["r"] == 1: data['captcha'] = get_captcha() post_data = parse.urlencode(data).encode('utf-8') r = opener.open(url, post_data) result = r.read().decode('utf-8') print((json.loads(result))['msg']) # 保存cookie到本地 cookie.save(ignore_discard=True, ignore_expires=True)
关于那句
print((json.loads(result))['msg']),opener携带数据post过去,请求网址得到的响应会返回登录信息,该数据是json类型,刚开始我一直是登录失败的,返回这样的玩意儿!
{
"r": 1,
"errcode": 1991829,
"data": {"captcha":"\u9a8c\u8bc1\u7801\u9519\u8bef"},
"msg": "\u9a8c\u8bc1\u7801\u9519\u8bef"
}
r为1表示登录失败,0表示登录成功。msg里反映的是登录失败的原因是”验证码会话失效“。
这里一定注意,登录是一个连贯的过程。这个过程我们总共有三次访问网址,一定保证包括获取动态参数,获取验证码、最终模拟登陆都使用同一个opener。这也是登录失败的原因之一,因为刚开始获取
_xsrf和验证码时用的是
urlopen()。
urllib标准库并不很强大,可以尝试
requests库,会让这个过程变得简单。
看下结果吧。如果显示登录成功,可以访问以下个人资料的网址,这个如果登录失败了是不能查看的,会返回到登录界面的网址。
好了,这次模拟登录感觉与前两次学习比起来难度加深了,好多问题还得靠搜索才能解决。加油吧。
这里贴上全部代码。
import re
from urllib import parse, request
import http.cookiejar
from PIL import Image
import time
import json
# 建立LWPCookieJar实例,可以存Set-Cookie3类型的文件。
# 而MozillaCookieJar类是存为'.txt'格式的文件
cookie = http.cookiejar.LWPCookieJar('cookie')
# 若本地有cookie则不用再post数据了
try: cookie.load(ignore_discard=True) except IOError: print('Cookie未加载!')
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/57.0.2987.98 Safari/537.36',
"Host": "www.zhihu.com",
"Referer": "https://www.zhihu.com/",
}
opener = request.build_opener(request.HTTPCookieProcessor(cookie))
# 给openner添加headers, addheaders方法接受元组而非字典
opener.addheaders = [(key, value) for key, value in headers.items()]
def get_xsrf():
"""
获取参数_xsrf
"""
response = opener.open('https://www.zhihu.com')
html = response.read().decode('utf-8')
get_xsrf_pattern = re.compile(r'<input type="hidden" name="_xsrf" value="(.*?)"')
_xsrf = re.findall(get_xsrf_pattern, html)[0]
return _xsrf
def get_captcha():
"""
获取验证码本地显示
返回你输入的验证码
"""
t = str(int(time.time() * 1000))
captcha_url = 'http://www.zhihu.com/captcha.gif?r=' + t + "&type=login"
# 获取验证码也用同一个opener
image_data = opener.open(captcha_url).read()
with open('cptcha.gif', 'wb') as f:
f.write(image_data)
im = Image.open('cptcha.gif')
im.show()
captcha = input('本次登录需要输入验证码: ')
return captcha
def login(username, password): """ 输入自己的账号密码,模拟登录知乎 """ # 检测到11位数字则是手机登录 if re.match(r'\d{11}$', username): url = 'http://www.zhihu.com/login/phone_num' data = {'_xsrf': get_xsrf(), 'password': password, 'remember_me': 'true', 'phone_num': username } else: url = 'https://www.zhihu.com/login/email' data = {'_xsrf': get_xsrf(), 'password': password, 'remember_me': 'true', 'email': username } # 若不用验证码,直接登录 post_data = parse.urlencode(data).encode('utf-8') r = opener.open(url, post_data) result = r.read().decode('utf-8') # 打印返回的响应,r = 1代表响应失败,msg里是失败的原因 # 要用验证码,post后登录 if (json.loads(result))["r"] == 1: data['captcha'] = get_captcha() post_data = parse.urlencode(data).encode('utf-8') r = opener.open(url, post_data) result = r.read().decode('utf-8') print((json.loads(result))['msg']) # 保存cookie到本地 cookie.save(ignore_discard=True, ignore_expires=True)
def isLogin():
# 通过查看用户个人信息来判断是否已经登录
url = 'https://www.zhihu.com/settings/profile'
# 获得真实网址,可能重定向了
actual_url = opener.open(url).geturl()
if actual_url == 'https://www.zhihu.com/settings/profile':
return True
else:
return False
if __name__ == '__main__':
if isLogin():
print('您已经登录')
else:
account = input('输入账号:')
secret = input('输入密码:')
login(account, secret)
更新: 使用requests库重写程序
Date:2016.8.23requests.get()类似
urllib.request.urlopen()。如其名是以get方式请求的,接收
url,字典形式的
headers,
timeout,
allow_redirects等参数,当然还有
requests.post(),可以传入
data参数,不像
urllib一样需要对字典形式的data进行编码,
requests它会自动处理并且data可以传入
json数据。
allow_redirects这是参数可选
True、
False,默认
True,若选
False则表示禁止重定向,按我的理解即禁止自动跳转。
看下两个库的区别,返回来的response可选
text和
content,其中
text以文本形式返回,
content以二进制数据形式返回,比如我们请求的网址是图片,就返回
content,便可以以
wb方式写入文件了。看下这两个库在实现返回网页内容的区别。对了返回的对象如response还有一个属性是
status_code访问成功了当然就返回的200啦。
# requests返回html内容 response = requests.get('https://www.zhihu.com', headers=headers) html = response.text # urllib返回html内容 req = urllib.request.Request(url) response = urllib.request.urlopen(req) html = response.read().decode('utf-8')
然后就是
requests.Session()或者
requests.session(),两种写法都可以。类型都是一个
class 'requests.sessions.Session',看下源码其实
session返回的就是一个
Session对象。
requests.Session()会新建一个会话,可以把同一用户的不同请求联系起来,直到会话结束都会自动处理cookies,这比
urllib方便多了。如果只使用
requests.get()或者
requests.post()每次访问网页都是独立进行的,并没有把当前用户的多次访问关联起来,故而模拟登录需要用到
requests.Session()。然后再用新建的session使用
post(),
get()等函数。如下。
session = requests.Session() session.get(url, headers) session.post(url, headers, data)
这只是
requests的冰山一角!它强大着呢。号称是HTTP FOR HUMAN。不过掌握以上基本的东西,足够重写模拟登录知乎的程序。进一步学习请看requests文档,那里有详细介绍。
再放requests版本的。
import re import requests import http.cookiejar from PIL import Image import time import json headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 ' '(KHTML, like Gecko) Chrome/57.0.2987.98 Safari/537.36', "Host": "www.zhihu.com", "Referer": "https://www.zhihu.com/", } # 建立一个会话,可以把同一用户的不同请求联系起来;直到会话结束都会自动处理cookies session = requests.Session() # 建立LWPCookieJar实例,可以存Set-Cookie3类型的文件。 # 而MozillaCookieJar类是存为'/.txt'格式的文件 session.cookies = http.cookiejar.LWPCookieJar("cookie") # 若本地有cookie则不用再post数据了 try: session.cookies.load(ignore_discard=True) except IOError: print('Cookie未加载!') def get_xsrf(): """ 获取参数_xsrf """ response = session.get('https://www.zhihu.com', headers=headers) html = response.text get_xsrf_pattern = re.compile(r'<input type="hidden" name="_xsrf" value="(.*?)"') _xsrf = re.findall(get_xsrf_pattern, html)[0] return _xsrf def get_captcha(): """ 获取验证码本地显示 返回你输入的验证码 """ t = str(int(time.time() * 1000)) captcha_url = 'http://www.zhihu.com/captcha.gif?r=' + t + "&type=login" response = session.get(captcha_url, headers=headers) with open('cptcha.gif', 'wb') as f: f.write(response.content) # Pillow显示验证码 im = Image.open('cptcha.gif') im.show() captcha = input('本次登录需要输入验证码: ') return captcha def login(username, password): """ 输入自己的账号密码,模拟登录知乎 """ # 检测到11位数字则是手机登录 if re.match(r'\d{11}$', username): url = 'http://www.zhihu.com/login/phone_num' data = {'_xsrf': get_xsrf(), 'password': password, 'remember_me': 'true', 'phone_num': username } else: url = 'https://www.zhihu.com/login/email' data = {'_xsrf': get_xsrf(), 'password': password, 'remember_me': 'true', 'email': username } # 若不用验证码,直接登录 result = session.post(url, data=data, headers=headers) # 打印返回的响应,r = 1代表响应失败,msg里是失败的原因 # loads可以反序列化内置数据类型,而load可以从文件读取 if (json.loads(result.text))["r"] == 1: # 要用验证码,post后登录 data['captcha'] = get_captcha() result = session.post(url, data=data, headers=headers) print((json.loads(result.text))['msg']) # 保存cookie到本地 session.cookies.save(ignore_discard=True, ignore_expires=True) def isLogin(): # 通过查看用户个人信息来判断是否已经登录 url = "https://www.zhihu.com/settings/profile" # 禁止重定向,否则登录失败重定向到首页也是响应200 login_code = session.get(url, headers=headers, allow_redirects=False).status_code if login_code == 200: return True else: return False if __name__ == '__main__': if isLogin(): print('您已经登录') else: account = input('输入账号:') secret = input('输入密码:') login(account, secret)
以上使用到的浏览器UA都是电脑端的,现在知乎出了倒立文字验证码。如果因此而导致登录失败,可以将浏览器UA改成Android端或者IOS端。
by sunhaiyu
2016.8.21
相关文章推荐
- python--python3爬虫之模拟登录知乎
- 【python爬虫03】使用Scrapy框架模拟登录知乎
- Python网络爬虫之模拟登录(以知乎为例)
- 【python爬虫01】使用requests库模拟登录知乎
- Python网络爬虫之模拟登录(以知乎为例)
- Python爬虫之模拟知乎登录的方法教程
- python 爬虫——登录知乎
- python模拟登录知乎
- [python和大数据-1]利用爬虫登录知乎进行BFS搜索抓取用户信息本地mysql分析【PART1】
- Python使用Srapy框架爬虫模拟登陆并抓取知乎内容
- Python爬虫实战(5):模拟登录淘宝并获取所有订单(1)
- Python爬虫之模拟登录总结
- python爬虫实战之模拟正方教务系统登录查询成绩
- Python爬虫实战五之模拟登录淘宝并获取所有订单
- 【爬虫】python requests模拟登录知乎
- Python使用Srapy框架爬虫模拟登陆并抓取知乎内容
- python爬虫实践学习实例之模拟登录
- Python爬虫之模拟登录豆瓣获取最近看过的电影
- [python 爬虫学习]利用cookie模拟网站登录
- python爬虫模拟登录之验证码