python爬蟲之scrapy模擬登陸

背景：

　　初來乍到的pythoner，剛開始的時候以爲全部的網站無非就是分析HTML、json數據，可是忽略了不少的一個問題，有不少的網站爲了反爬蟲，除了須要高可用代理IP地址池外，還須要登陸。例如知乎，不少信息都是須要登陸之後才能爬取，可是頻繁登陸後就會出現驗證碼（有些網站直接就讓你輸入驗證碼），這就坑了，畢竟運維同窗很辛苦，該反的還得反，那咱們怎麼辦呢？這不說驗證碼的事兒，你能夠本身手動輸入驗證，或者直接用雲打碼平臺，這裏咱們介紹一個scrapy的登陸用法。

 測試登陸地址：http://example.webscraping.com/places/default/user/login

 測試主頁：http://example.webscraping.com/user/profile

　　一、這裏不在敘述如何建立scrapy項目和spider，能夠看我前面的博客

　　二、快速登陸方法。

　　咱們在這裏作了一個簡單的介紹，咱們都知道scrapy的基本請求流程是start_request方法遍歷start_urls列表，而後make_requests_from_url方法，裏面執行Request方法，請求start_urls裏面的地址，可是這裏咱們用的再也不是GET方法，而用的是POST方法，也就常說的登陸。

　　　　一、首先咱們改寫start_reqeusts方法，直接GET登陸頁面的HTML信息（有些人說你不是POST登陸麼，幹嗎還GET，彆着急，你得先GET到登陸頁面的登陸信息，才知道登陸的帳戶、密碼等怎麼提交，往哪裏提交）

　　　　二、start_request方法GET到數據後，用callback參數，執行拿到response後要接下來執行哪一個方法，而後在login方法裏面寫入登陸用戶名和密碼（仍是老樣子，必定要用dict），而後只用Request子類scrapy.FormRequest這個方法提交數據，這我一個的是FormRequest.from_response方m_法。

　　有些人會問，這個from__response的基本使用是條用是須要傳入一個response對象做爲第一個參數，這個方法會從頁面中form表單中，幫助用戶建立FormRequest對象，最最最最重要的是它會幫你把隱藏的input標籤中的信息自動跳入表達，使用這個中方法，咱們直接寫用戶名和密碼便可，咱們在最後面再介紹傳統方法。

　　　　三、parse_login方法是提交完表單後callback回調函數指定要執行的方法，爲了驗證是否成功。這裏咱們直接在response中搜索Welcome Liu這個字眼就證實登陸成功。這個好理解，重點是yield  from super().start_resquests()，這個表明着若是一旦登陸成功後，就直接帶着登陸成功後Cookie值，方法start_urls裏面的地址。這樣的話登陸成功後的response能夠直接在parse裏面寫。

 1 # -*- coding: utf-8 -*-
 2 import scrapy
 3 from scrapy import FormRequest,Request
 4 
 5 
 6 class ExampleLoginSpider(scrapy.Spider):
 7     name = "login_"
 8     allowed_domains = ["example.webscraping.com"]
 9     start_urls = ['http://example.webscraping.com/user/profile']
10     login_url = 'http://example.webscraping.com/places/default/user/login'
11 
12     def parse(self, response):
13         print(response.text)
14 
15     def start_requests(self):
16         yield scrapy.Request(self.login_url,callback=self.login)
17 
18     def login(self,response):
19         formdata = {
20             'email':'liushuo@webscraping.com','password':'12345678'}
21         yield FormRequest.from_response(response,formdata=formdata,
22                                         callback=self.parse_login)
23     def parse_login(self,response):
24         # print('>>>>>>>>'+response.text)
25         if 'Welcome Liu' in response.text:
26             yield from super().start_requests()

有的同窗可能問了，login方法裏面不是應該寫reture 麼，其實上面的寫法跟下面的這種寫法是同樣效果，若是再有個CSRF的話，也能夠直接在login裏面寫拿到CSRF信息，寫入到formdata裏面跟用戶名和密碼一塊兒提交。

1 return [FormRequest.from_response(response,formdata=formdata,callback=self.parse_login)]

 

登陸成功

 

　　三、傳統登陸方法：

　　　　一、首先要明確一件事情，通常狀況下須要登陸的網站，不僅須要登陸用戶和密碼，接下來咱們聊聊上面說的傳統登陸模式。用戶在登陸的時候並非只須要登陸帳戶信息，除了常見直觀的驗證碼和CSRF信息外，也有可能須要提交其它信息，咱們必須把它們都提取到一塊兒提交給服務器。

　　　　

　　　　二、咱們在form表單下面找到了一個display:none的div標籤，裏面的input標籤的value值正好是咱們要提交的數據，那咱們就提取到他。