python爬蟲之模擬登陸csdn的示例分析

這篇文章將為大家詳細(xì)講解有關(guān)python爬蟲之模擬登陸csdn的示例分析，小編覺(jué)得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

python模擬登陸網(wǎng)頁(yè)主要使用到urllib、urllib2、cookielib及BeautifulSoup等基本模塊，當(dāng)然進(jìn)階階段我們還可以使用像requests等更高級(jí)一點(diǎn)的模塊。其中BeautifulSoup模塊在匹配html方面，可以很好的代替re，使用起來(lái)更方便，對(duì)于不會(huì)使用正則的人來(lái)說(shuō)是福音。

本文使用python2.7

原理

模擬登陸前，我們需要先知道csdn是如何登陸的。我們通過(guò)google chrome瀏覽器先來(lái)分析下：

1.chrome瀏覽器用F12或ctrl+shift+I啟動(dòng)開發(fā)者工具，并訪問(wèn)csdn登陸頁(yè)面，在開發(fā)者工具中對(duì)”Preserver log”選項(xiàng)打勾，表示跳轉(zhuǎn)時(shí)不清楚之前的訪問(wèn)記錄。

2.輸入用戶名密碼后，網(wǎng)頁(yè)進(jìn)行跳轉(zhuǎn)，此時(shí)我們查看訪問(wèn)記錄中Method為POST的鏈接的headers，可以看到

Request header：

Cache-Control:no-cache
Cache-Control:no-store
Connection:keep-alive
Content-Encoding:gzip
Content-Type:text/html;charset=UTF-8
Date:Fri, 05 Aug 2016 03:51:56 GMT
Expires:Thu, 01 Jan 1970 00:00:00 GMT
Keep-Alive:timeout=20
Pragma:no-cache
Server:openresty
Set-Cookie:UD=%E4%BB%8A%E5%A4%A9%E4%B8%8D%E8%B5%B0%EF%BC%8C%E6%98%8E%E5%A4%A9%E5%8D%B3%E4%BD%BF%E8%B7%91%E4%B9%9F%E4%B8%8D%E4%B8%80%E5%AE%9A%E8%B7%9F%E5%BE%97%E4%B8%8A%EF%BC%81; Domain=.csdn.net; Path=/
Set-Cookie:UserName=yanggd1987; Domain=.csdn.net; Path=/
Set-Cookie:UserInfo=RjXwn4OfICh78ZVTzEjJxlcez5O%2B8RMsVvAiTV6uo4n4q1orcuBFZz29qx%2BUZ7JPFQQivvFGwFaC97NpT%2FKhtcZ2U%2B%2BzivoNtu5nTyg717xzimpeHcoutwnMg%2F5S8ZlARzA8H48TOftvUJUB0mxylQ%3D%3D; Domain=.csdn.net; Path=/
Set-Cookie:UserNick=man8er; Domain=.csdn.net; Path=/
Set-Cookie:AU=A3E; Domain=.csdn.net; Path=/
Set-Cookie:CASTGC=TGT-63516-e4e600adR5WiJAFintPeHqNCpGRvO9w7nHBYtY5XUCc2BPCCcG-passport.csdn.net; Path=/; Secure
Set-Cookie:UN=yanggd1987; Domain=.csdn.net; Expires=Sat, 05-Aug-2017 03:51:55 GMT; Path=/
Set-Cookie:UE="yanggd1987@163.com"; Version=1; Domain=.csdn.net; Max-Age=31536000; Expires=Sat, 05-Aug-2017 03:51:55 GMT; Path=/
Set-Cookie:BT=1470369115868; Domain=.csdn.net; Expires=Sat, 05-Aug-2017 03:51:55 GMT; Path=/
Set-Cookie:access-token=0bd99cf6-c5bf-4683-89b8-9d8678bebff9; Domain=.csdn.net; Path=/
Transfer-Encoding:chunked
Vary:Accept-Encoding

有以上可以看出登陸過(guò)程中有cookie

POST提交的數(shù)據(jù)：

username:XXXXXXXXX
password:XXXXXXXXX
lt:LT-52961-eMo02Bz4tlj3wQz4QMuO173GCIdsqE
execution:e15s1
_eventId:submit

其中username和password表示我們登陸的賬戶和密碼，那lt、execution表示什么呢？不要急，我們看看登陸頁(yè)面網(wǎng)站的源代碼：

<form id="fm1" action="/account/login?from=http%3A%2F%2Fmy.csdn.net%2Fmy%2Fmycsdn" method="post">
   <input id="password" name="password" tabindex="2" placeholder="輸入密碼" class="pass-word" type="password" value="" autocomplete="off">
   <div class="row forget-password">
   <span class="col-xs-6 col-sm-6 col-md-6 col-lg-6">
    <input type="checkbox" name="rememberMe" id="rememberMe" value="true" class="auto-login" tabindex="4">
    <label for="rememberMe">下次自動(dòng)登錄</label>
   </span>
   <span class="col-xs-6 col-sm-6 col-md-6 col-lg-6 forget tracking-ad" data-mod="popu_26">
    <a href="/account/fpwd?action=forgotpassword&amp;service=http%3A%2F%2Fmy.csdn.net%2Fmy%2Fmycsdn" rel="external nofollow" tabindex="5" target="_blank">忘記密碼</a>
   </span>
   </div>
   <!-- 該參數(shù)可以理解成每個(gè)需要登錄的用戶都有一個(gè)流水號(hào)。只有有了webflow發(fā)放的有效的流水號(hào)，用戶才可以說(shuō)明是已經(jīng)進(jìn)入了webflow流程。否則，沒(méi)有流水號(hào)的情況下，webflow會(huì)認(rèn)為用戶還沒(méi)有進(jìn)入webflow流程，從而會(huì)重新進(jìn)入一次webflow流程，從而會(huì)重新出現(xiàn)登錄界面。 -->
   <input type="hidden" name="lt" value="LT-53452-VLvC2gjfxdj4jheoUJQRkIXgoDZfc3">
   <input type="hidden" name="execution" value="e16s1"> 
   <input id="username" name="username" tabindex="1" placeholder="輸入用戶名/郵箱/手機(jī)號(hào)" value="用戶名" class="user-name" type="text"><input type="hidden" name="_eventId" value="submit"> 
   <input class="logging" accesskey="l" value="登 錄" tabindex="6" type="button">   
</form>

上面注釋的內(nèi)容就是說(shuō)明參數(shù)lt和execution的，就是在登陸過(guò)程中webflow會(huì)動(dòng)態(tài)分配一個(gè)流水號(hào)LT-53452-VLvC2gjfxdj4jheoUJQRkIXgoDZfc3，我們只用獲取到這個(gè)流水號(hào)才能夠進(jìn)行登陸。

從上面通過(guò)chrome分析得到，登陸csdn必須有cookie并且獲取到webflow分配的流水號(hào)；；并且訪問(wèn)時(shí)必須有user-agent，否則客戶端會(huì)被屏蔽。

實(shí)現(xiàn)

1.由于我們的系統(tǒng)是centos6.5，默認(rèn)使用python2.6，因此我們需要先安裝python2.7并安裝相關(guān)第三方模塊

(1)yum安裝

rpm -Uvh https://centos6.iuscommunity.org/ius-release.rpm
yum -y install python27 python27-devel python27-pip python27-setuptools

#安裝相關(guān)第三方模塊

pip2.7 install beautifulsoup4
pip2.7 install lxml

(2)編譯安裝

安裝python.2.7

wget https://www.python.org/ftp/python/2.7.12/Python-2.7.12.tgz
tar -zxvf Python-2.7.12.tgz
cd Python-2.7.12
./configure --prefix=/usr/local/python2.7
make && make install
#環(huán)境變量
vim /etc/profile
export PATH=/usr/local/python2.7/bin:$PATH
source /etc/profile
#安裝setuptools
wget https://pypi.python.org/packages/46/db/baa571da945ff731f3739a119574e89b12add9b05c03842103bd641d0990/setuptools-25.1.3.tar.gz#md5=0dcb9990901cb6e9631db195d4e775a7
tar -zxvf setuptools-25.1.3.tar.gz
cd setuptools-25.1.3
python2.7 setup.py install
#安裝pip
wget https://pypi.python.org/packages/e7/a8/7556133689add8d1a54c0b14aeff0acb03c64707ce100ecd53934da1aa13/pip-8.1.2.tar.gz#md5=87083c0b9867963b29f7aba3613e8f4a
tar -zxvf pip-8.1.2.tar.gz
cd pip-8.1.2
python2.7 setup.py install
#安裝相關(guān)第三方模塊
pip2.7 install beautifulsoup4
pip2.7 install lxml

注意： 通過(guò)編譯安裝的pip2.7 安裝lxml會(huì)報(bào)錯(cuò)，因此還是建議使用yum安裝的pip2.7

2.代碼實(shí)現(xiàn)

vim csdn_login.py
#!/usr/bin/env python2.7
#-*- coding: utf-8 -*-

import urllib
import urllib2
import cookielib
from bs4 import BeautifulSoup

filename = 'cookie_csdn.txt'
#聲明一個(gè)MozillaCookieJar對(duì)象實(shí)例來(lái)保存cookie，之后寫入文件
cookie = cookielib.MozillaCookieJar(filename)
#利用urllib2庫(kù)的HTTPCookieProcessor對(duì)象來(lái)創(chuàng)建cookie處理器
handler = urllib2.HTTPCookieProcessor(cookie)
#通過(guò)handler來(lái)構(gòu)建opener
opener = urllib2.build_opener(handler)

loginurl = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"

#登陸前準(zhǔn)備：獲取lt和exection
response = opener.open(loginurl)
soup = BeautifulSoup(response.read(), "lxml")
for input in soup.form.find_all("input"):
 if input.get("name") == "lt":
 lt = input.get("value")
 if input.get("name") == "execution":
 execution = input.get("value")
#post信息
values = {
 "username":"用戶名",
 "password":"密碼",
 "lt":lt,
 "execution":execution,
 "_eventId":"submit"
 }
postdata = urllib.urlencode(values)

opener.addheaders = [("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.63 Safari/537.36")]

#模擬登錄,保存cookie到cookie.txt中
result = opener.open(loginurl, postdata)

cookie.save(ignore_discard=True, ignore_expires=True)
#登陸后我們隨意跳轉(zhuǎn)到博客
url = "http://blog.csdn.net/XXXXXXXXX"
result = opener.open(url)

3.運(yùn)行

python2.7 csdn_login.py

至此，當(dāng)我們登陸后，可以隨意指定一個(gè)頁(yè)面進(jìn)行登陸了。

總結(jié)

1.urllib和urllib2配合使用，因?yàn)閡rllib可以將post數(shù)據(jù)進(jìn)行encode，而urllib2不可以

2.由于使用cookie、header等，用到了urllib2的基礎(chǔ)庫(kù)opener實(shí)現(xiàn)訪問(wèn)等操作，當(dāng)然也可以使用urllib2.Request(url,data,header)等其他訪問(wèn)方式。

3.每個(gè)網(wǎng)站登錄方式可能不一樣，我們需要根據(jù)實(shí)際情況分析。

4.模擬登陸是我們通過(guò)實(shí)戰(zhàn)學(xué)習(xí)python的一種方法，而不是用它來(lái)惡意攻擊。

關(guān)于“python爬蟲之模擬登陸csdn的示例分析”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，使各位可以學(xué)到更多知識(shí)，如果覺(jué)得文章不錯(cuò)，請(qǐng)把它分享出去讓更多的人看到。