我們先以一個(gè)最簡(jiǎn)單的實(shí)例來(lái)了解模擬登錄后頁(yè)面的抓取過(guò)程，其原理在于模擬登錄后 Cookies 的維護(hù)。
1. 本節(jié)目標(biāo)
本節(jié)將講解以 GitHub 為例來(lái)實(shí)現(xiàn)模擬登錄的過(guò)程，同時(shí)爬取登錄后才可以訪問(wèn)的頁(yè)面信息，如好友動(dòng)態(tài)、個(gè)人信息等內(nèi)容。
我們應(yīng)該都聽(tīng)說(shuō)過(guò) GitHub，如果在我們?cè)?Github 上關(guān)注了某些人，在登錄之后就會(huì)看到他們最近的動(dòng)態(tài)信息，比如他們最近收藏了哪個(gè) Repository，創(chuàng)建了哪個(gè)組織，推送了哪些代碼。但是退出登錄之后，我們就無(wú)法再看到這些信息。
如果希望爬取 GitHub 上所關(guān)注人的最近動(dòng)態(tài)，我們就需要模擬登錄 GitHub。
2. 環(huán)境準(zhǔn)備
請(qǐng)確保已經(jīng)安裝好了 requests 和 lxml 庫(kù)，如沒(méi)有安裝可以參考第 1 章的安裝說(shuō)明。
3. 分析登錄過(guò)程
首先要分析登錄的過(guò)程，需要探究后臺(tái)的登錄請(qǐng)求是怎樣發(fā)送的，登錄之后又有怎樣的處理過(guò)程。
如果已經(jīng)登錄 GitHub，先退出登錄，同時(shí)清除 Cookies。
打開(kāi) GitHub 的登錄頁(yè)面，鏈接為 https://github.com/login，輸入 GitHub 的用戶名和密碼，打開(kāi)開(kāi)發(fā)者工具，將 Preserve Log 選項(xiàng)勾選上，這表示顯示持續(xù)日志，如圖 10-1 所示。
點(diǎn)擊登錄按鈕，這時(shí)便會(huì)看到開(kāi)發(fā)者工具下方顯示了各個(gè)請(qǐng)求過(guò)程，如圖 10-2 所示。
點(diǎn)擊第一個(gè)請(qǐng)求，進(jìn)入其詳情頁(yè)面，如圖 10-3 所示。
可以看到請(qǐng)求的 URL 為 https://github.com/session，請(qǐng)求方式為 POST。再往下看，我們觀察到它的 Form Data 和 Headers 這兩部分內(nèi)容，如圖 10-4 所示。
Headers 里面包含了 Cookies、Host、Origin、Referer、User-Agent 等信息。Form Data 包含了 5 個(gè)字段，commit 是固定的字符串 Sign in，utf8 是一個(gè)勾選字符，authenticity_token 較長(zhǎng)，其初步判斷是一個(gè) Base64 加密的字符串，login 是登錄的用戶名，password 是登錄的密碼。
綜上所述，我們現(xiàn)在無(wú)法直接構(gòu)造的內(nèi)容有 Cookies 和 authenticity_token。下面我們?cè)賮?lái)探尋一下這兩部分內(nèi)容如何獲取。
在登錄之前我們會(huì)訪問(wèn)到一個(gè)登錄頁(yè)面，此頁(yè)面是通過(guò) GET 形式訪問(wèn)的。輸入用戶名密碼，點(diǎn)擊登錄按鈕，瀏覽器發(fā)送這兩部分信息，也就是說(shuō) Cookies 和 authenticity_token 一定是在訪問(wèn)登錄頁(yè)的時(shí)候設(shè)置的。
這時(shí)再退出登錄，回到登錄頁(yè)，同時(shí)清空 Cookies，重新訪問(wèn)登錄頁(yè)，截獲發(fā)生的請(qǐng)求，如圖 10-5 所示。
訪問(wèn)登錄頁(yè)面的請(qǐng)求如圖所示，Response Headers 有一個(gè) Set-Cookie 字段。這就是設(shè)置 Cookies 的過(guò)程。
另外，我們發(fā)現(xiàn) Response Headers 沒(méi)有和 authenticity_token 相關(guān)的信息，所以可能 authenticity_token 還隱藏在其他的地方或者是計(jì)算出來(lái)的。我們?cè)購(gòu)木W(wǎng)頁(yè)的源碼探尋，搜索相關(guān)字段，發(fā)現(xiàn)源代碼里面隱藏著此信息，它是一個(gè)隱藏式表單元素，如圖 10-6 所示。
現(xiàn)在我們已經(jīng)獲取到所有信息，接下來(lái)實(shí)現(xiàn)模擬登錄。
4. 代碼實(shí)戰(zhàn)
首先我們定義一個(gè) Login 類，初始化一些變量：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
class Login(object): def __init__(self): self.headers = { 'Referer': 'https://github.com/', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 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() |
這里最重要的一個(gè)變量就是 requests 庫(kù)的 Session，它可以幫助我們維持一個(gè)會(huì)話，而且可以自動(dòng)處理 Cookies，我們不用再去擔(dān)心 Cookies 的問(wèn)題。
接下來(lái)，訪問(wèn)登錄頁(yè)面要完成兩件事：一是通過(guò)此頁(yè)面獲取初始的 Cookies，二是提取出 authenticity_token。
在這里我們實(shí)現(xiàn)一個(gè) token() 方法，如下所示：
|
1
2
3
4
5
6
|
from lxml import etreedef token(self): response = self.session.get(self.login_url, headers=self.headers) selector = etree.HTML(response.text) token = selector.xpath('//div/input[2]/@value')[0] return token |
我們用 Session 對(duì)象的 get() 方法訪問(wèn) GitHub 的登錄頁(yè)面，然后用 XPath 解析出登錄所需的 authenticity_token 信息并返回。
現(xiàn)在已經(jīng)獲取初始的 Cookies 和 authenticity_token，開(kāi)始模擬登錄，實(shí)現(xiàn)一個(gè) login() 方法，如下所示：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
def login(self, email, password): post_data = { 'commit': 'Sign in', 'utf8': '?', '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) |
首先構(gòu)造一個(gè)表單，復(fù)制各個(gè)字段，其中 email 和 password 是以變量的形式傳遞。然后再用 Session 對(duì)象的 post() 方法模擬登錄即可。由于 requests 自動(dòng)處理了重定向信息，我們登錄成功后就可以直接跳轉(zhuǎn)到首頁(yè)，首頁(yè)會(huì)顯示所關(guān)注人的動(dòng)態(tài)信息，得到響應(yīng)之后我們用 dynamics() 方法來(lái)對(duì)其進(jìn)行處理。接下來(lái)再用 Session 對(duì)象請(qǐng)求個(gè)人詳情頁(yè)，然后用 profile() 方法來(lái)處理個(gè)人詳情頁(yè)信息。
其中，dynamics() 方法和 profile() 方法的實(shí)現(xiàn)如下所示：
|
1
2
3
4
5
6
7
8
9
10
11
|
def dynamics(self, html): selector = etree.HTML(html) dynamics = selector.xpath('//div[contains(@class, "news")]//div[contains(@class, "alert")]') for item in dynamics: dynamic = ' '.join(item.xpath('.//div[@class="title"]//text()')).strip() print(dynamic)def profile(self, html): 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) |
在這里，我們?nèi)匀皇褂?XPath 對(duì)信息進(jìn)行提取。在 dynamics() 方法里，我們提取了所有的動(dòng)態(tài)信息，然后將其遍歷輸出。在 prifile() 方法里，我們提取了個(gè)人的昵稱和綁定的郵箱，然后將其輸出。
這樣，整個(gè)類的編寫就完成了。
5. 運(yùn)行
我們新建一個(gè) Login 對(duì)象，然后運(yùn)行程序，如下所示：
|
1
2
3
|
if __name__ == "__main__": login = Login() login.login(email='cqc@cuiqingcai.com', password='password') |
在 login() 方法傳入用戶名和密碼，實(shí)現(xiàn)模擬登錄。
可以看到控制臺(tái)有類似如下輸出：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
GrahamCampbell starred nunomaduro/zero-frameworkGrahamCampbell starred nunomaduro/laravel-zerohappyAnger6 created repository happyAnger6/nodejs_chatroomviosey starred nitely/Spiritlbgws2 starred Germey/TaobaoMMEasyChris starred ageitgey/face_recognitioncallmewhy starred macmade/GitHubUpdatessindresorhus starred sholladay/squatterSamyPesse starred graphcool/chromelesswbotelhos starred tkadlec/grunt-perfbudgetwbotelhos created repository wbotelhos/eggyleohxj starred MacGesture/MacGestureGrahamCampbell starred GrahamCampbell/AnalyzerEasyChris starred golang/gomitulgolakiya starred veltman/flubberliaoyuming pushed to student at Germey/SecurityCourseleohxj starred jasonslyvia/a-cartoon-intro-to-redux-cnruanyf starred ericchiang/pupruanyf starred bpesquet/thejswaylouwailou forked Germey/ScrapyTutorial to louwailou/ScrapyTutorialLving forked shadowsocksr-backup/shadowsocksr to Lving/shadowsocksrqifuren1985 starred Germey/ADSLProxyPoolQWp6t starred laravel/frameworkGermey ['1016903103@qq.com', 'cqc@cuiqingcai.com'] |
可以發(fā)現(xiàn)，我們成功獲取到關(guān)注的人的動(dòng)態(tài)信息和個(gè)人的昵稱及綁定郵箱。模擬登錄成功！
6. 本節(jié)代碼
本節(jié)代碼地址：https://github.com/Python3WebSpider/GithubLogin。
7. 結(jié)語(yǔ)
我們利用 requests 的 Session 實(shí)現(xiàn)了模擬登錄操作，其中最重要的還是分析思路，只要各個(gè)參數(shù)都成功獲取，那么模擬登錄是沒(méi)有問(wèn)題的。
登錄成功，這就相當(dāng)于建立了一個(gè) Session 會(huì)話，Session 對(duì)象維護(hù)著 Cookies 的信息，直接請(qǐng)求就會(huì)得到模擬登錄成功后的頁(yè)面。
以上就是Python3以GitHub為例來(lái)實(shí)現(xiàn)模擬登錄和爬取的實(shí)例講解的詳細(xì)內(nèi)容，更多關(guān)于Python3爬蟲(chóng)以GitHub為例來(lái)實(shí)現(xiàn)模擬登錄和爬取的資料請(qǐng)關(guān)注服務(wù)器之家其它相關(guān)文章！
原文鏈接：https://www.py.cn/spider/example/14477.html
