爬蟲(chóng)腳本是大家經(jīng)常用到的，那就避開(kāi)不了登錄 這一關(guān)。

使用Python一般需要request庫(kù)，補(bǔ)充 header 中的 post 要素，有些還會(huì)有 隱藏的 hidden 參數(shù)，可以通過(guò)瀏覽器 F12 或者元素審查來(lái)發(fā)現(xiàn)，對(duì)于初學(xué)者來(lái)說(shuō)都是一個(gè)坑。

還有需要解決驗(yàn)證碼的問(wèn)題，一種方法是下載驗(yàn)證碼圖片識(shí)別驗(yàn)證碼再次post，或者使用云打碼平臺(tái)。當(dāng)然，有些驗(yàn)證碼及其變態(tài)就不那么容易解決了，比如選字順序、滑塊、12306那種人為都會(huì)選錯(cuò)的。

已完成的主流網(wǎng)站

 

上面是作者已經(jīng)完成的一些主流網(wǎng)站了，其中有的是通過(guò) selenium登錄，有的是通過(guò) 抓包直接模擬登錄，有的是利用 scrapy框架。

這個(gè)很容易理解，因?yàn)橛械?a target="_blank">網(wǎng)站設(shè)計(jì)比較復(fù)雜，通過(guò)抓包很難實(shí)現(xiàn)模擬登錄，這樣用 selenium+webdriver 就會(huì)相對(duì)輕松一些。

雖然在登錄的時(shí)候采用的是selenium，為了效率，我們可以在登錄過(guò)后得到的cookie維護(hù)起來(lái)，然后調(diào)用requests或者scrapy等進(jìn)行數(shù)據(jù)采集，這樣數(shù)據(jù)采集的速度可以得到保證。

模擬登錄GitHub

這里給大家展示一個(gè)模擬登錄GitHub的代碼。

"""
github第二種登錄方式
info:
author:CriseLYJ
github:https://github.com/CriseLYJ/
update_time:2019-3-7
"""

import re
import requests
from lxml import etree


class Login(object):
class GithubLogin(object):

    def __init__(self, email, password):

        # 初始化信息
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36',
            'Referer': 'https://github.com/',
            'Host': 'github.com'
        }

        self.session = requests.Session()
        self.login_url = 'https://github.com/login'
        self.post_url = 'https://github.com/session'
        self.session = requests.Session()

        self.email = email
        self.password = password

    # 模擬登錄
    def login_GitHub(self):

        # 登錄入口
        post_data = {
            'commit': 'Sign in',
            'utf8': '?',
            'authenticity_token': self.get_token(),
            'login': self.email,
            'password': self.password
        }
        resp = self.session.post(
            self.post_url, data=post_data, headers=self.headers)

        print('StatusCode:', resp.status_code)
        if resp.status_code != 200:
            print('Login Fail')
        match = re.search(r'"user-login" content="(.*?)"', resp.text)
        user_name = match.group(1)
        print('UserName:', user_name)

        response = self.session.post(self.post_url, data=post_data, headers=self.headers)

        print(response.status_code)
        print(post_data)

        if response.status_code == 200:
            print("登錄成功！")
        else:
            print("登錄失??！")

    # 獲取token信息
    # Get login token
    def get_token(self):

        response = self.session.get(self.login_url, headers=self.headers)

        html = etree.HTML(response.content.decode())

        token = html.xpath('//input[@name="authenticity_token"]/@value')[0]

        return token
        if response.status_code != 200:
            print('Get token fail')
            return None
        match = re.search(
            r'name="authenticity_token" value="(.*?)"', response.text)
        if not match:
            print('Get Token Fail')
            return None
        return match.group(1)

if __name__ == '__main__':
    email = input('請(qǐng)輸入您的賬號(hào)： ')
    password = input('請(qǐng)輸入您的密碼： ')
    email = input('Account:')
    password = input('Password:')

    login = Login(email, password)
    login = GithubLogin(email, password)
    login.login_GitHub()

相信這對(duì)初學(xué)爬蟲(chóng)的朋友是一個(gè)很好的教程。

但提示一下，模擬登錄的代碼隨時(shí)都有可能失效，因?yàn)榍岸说木W(wǎng)頁(yè)HTML、CSS、JS等結(jié)構(gòu)可能會(huì)根據(jù)公司業(yè)務(wù)調(diào)整之類的發(fā)生變化。

所以，重點(diǎn)是掌握了各種技巧，學(xué)會(huì)這些完全可以自己調(diào)試完成登錄，那時(shí)候你也可以成為 contributor 了！