Python3如何實(shí)現(xiàn)模擬登錄和爬取

這篇文章主要講解了Python3如何實(shí)現(xiàn)模擬登錄和爬取，內(nèi)容清晰明了，對此有興趣的小伙伴可以學(xué)習(xí)一下，相信大家閱讀完之后會有幫助。

我們先以一個(gè)最簡單的實(shí)例來了解模擬登錄后頁面的抓取過程，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 為例來實(shí)現(xiàn)模擬登錄的過程，同時(shí)爬取登錄后才可以訪問的頁面信息，如好友動態(tài)、個(gè)人信息等內(nèi)容。

我們應(yīng)該都聽說過 GitHub，如果在我們在 Github 上關(guān)注了某些人，在登錄之后就會看到他們最近的動態(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)注人的最近動態(tài)，我們就需要模擬登錄 GitHub。

2. 環(huán)境準(zhǔn)備

請確保已經(jīng)安裝好了 requests 和 lxml 庫，如沒有安裝可以參考第 1 章的安裝說明。

3. 分析登錄過程

首先要分析登錄的過程，需要探究后臺的登錄請求是怎樣發(fā)送的，登錄之后又有怎樣的處理過程。

如果已經(jīng)登錄 GitHub，先退出登錄，同時(shí)清除 Cookies。

打開 GitHub 的登錄頁面，鏈接為 https://github.com/login，輸入 GitHub 的用戶名和密碼，打開開發(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)便會看到開發(fā)者工具下方顯示了各個(gè)請求過程，如圖 10-2 所示。

點(diǎn)擊第一個(gè)請求，進(jìn)入其詳情頁面，如圖 10-3 所示。

可以看到請求的 URL 為 https://github.com/session，請求方式為 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，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)在無法直接構(gòu)造的內(nèi)容有 Cookies 和 authenticity_token。下面我們再來探尋一下這兩部分內(nèi)容如何獲取。

在登錄之前我們會訪問到一個(gè)登錄頁面，此頁面是通過 GET 形式訪問的。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 Cookies 和 authenticity_token 一定是在訪問登錄頁的時(shí)候設(shè)置的。

這時(shí)再退出登錄，回到登錄頁，同時(shí)清空 Cookies，重新訪問登錄頁，截獲發(fā)生的請求，如圖 10-5 所示。

訪問登錄頁面的請求如圖所示，Response Headers 有一個(gè) Set-Cookie 字段。這就是設(shè)置 Cookies 的過程。

另外，我們發(fā)現(xiàn) Response Headers 沒有和 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)算出來的。我們再從網(wǎng)頁的源碼探尋，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：

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 庫的 Session，它可以幫助我們維持一個(gè)會話，而且可以自動處理 Cookies，我們不用再去擔(dān)心 Cookies 的問題。

接下來，訪問登錄頁面要完成兩件事：一是通過此頁面獲取初始的 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：

from lxml import etree
def 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 對象的 get() 方法訪問 GitHub 的登錄頁面，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，開始模擬登錄，實(shí)現(xiàn)一個(gè) login() 方法，如下所示：

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 對象的 post() 方法模擬登錄即可。由于 requests 自動處理了重定向信息，我們登錄成功后就可以直接跳轉(zhuǎn)到首頁，首頁會顯示所關(guān)注人的動態(tài)信息，得到響應(yīng)之后我們用 dynamics() 方法來對其進(jìn)行處理。接下來再用 Session 對象請求個(gè)人詳情頁，然后用 profile() 方法來處理個(gè)人詳情頁信息。

其中，dynamics() 方法和 profile() 方法的實(shí)現(xiàn)如下所示：

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 對信息進(jìn)行提取。在 dynamics() 方法里，我們提取了所有的動態(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 對象，然后運(yùn)行程序，如下所示：

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。

可以看到控制臺有類似如下輸出：

GrahamCampbell  starred  nunomaduro/zero-framework
GrahamCampbell  starred  nunomaduro/laravel-zero
happyAnger6  created repository  happyAnger6/nodejs_chatroom
viosey  starred  nitely/Spirit
lbgws2  starred  Germey/TaobaoMM
EasyChris  starred  ageitgey/face_recognition
callmewhy  starred  macmade/GitHubUpdates
sindresorhus  starred  sholladay/squatter
SamyPesse  starred  graphcool/chromeless
wbotelhos  starred  tkadlec/grunt-perfbudget
wbotelhos  created repository  wbotelhos/eggy
leohxj  starred  MacGesture/MacGesture
GrahamCampbell  starred  GrahamCampbell/Analyzer
EasyChris  starred  golang/go
mitulgolakiya  starred  veltman/flubber
liaoyuming  pushed to  student  at  Germey/SecurityCourse
leohxj  starred  jasonslyvia/a-cartoon-intro-to-redux-cn
ruanyf  starred  ericchiang/pup
ruanyf  starred  bpesquet/thejsway
louwailou  forked  Germey/ScrapyTutorial  to  louwailou/ScrapyTutorial
Lving  forked  shadowsocksr-backup/shadowsocksr  to  Lving/shadowsocksr
qifuren1985  starred  Germey/ADSLProxyPool
QWp6t  starred  laravel/framework
Germey ['1016903103@qq.com', 'cqc@cuiqingcai.com']

可以發(fā)現(xiàn)，我們成功獲取到關(guān)注的人的動態(tài)信息和個(gè)人的昵稱及綁定郵箱。模擬登錄成功！

看完上述內(nèi)容，是不是對Python3如何實(shí)現(xiàn)模擬登錄和爬取有進(jìn)一步的了解，如果還想學(xué)習(xí)更多內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道。