2019年最新 Python 模擬登陸知乎 支持驗證碼

2019年最新 Python 模擬登陸知乎 支持驗證碼和保存 Cookies

知乎的登陸頁面已經改版屢次，增強了身份驗證，網絡上大部分模擬登陸均已失效，因此我重寫了一份完整的，並實現了提交驗證碼 (包括中文驗證碼)，本文我對分析過程和代碼進行步驟分解，完整的代碼請見末尾 Github 倉庫，不過仍是建議看一遍正文，由於代碼遲早會失效，解析思路纔是永恆。

分析 POST 請求

首先打開控制檯正常登陸一次，能夠很快找到登陸的 API 接口，這個就是模擬登陸 POST 的連接。

咱們的最終目標是構建 POST 請求所需的 Headers 和 Form-Data 這兩個對象便可。

構建 Headers

繼續看Requests Headers信息，和登陸頁面的 GET 請求對比發現，這個 POST 的頭部多了三個身份驗證字段，經測試x-xsrftoken是必需的。 x-xsrftoken則是防 Xsrf 跨站的 Token 認證，訪問首頁時從Response Headers的Set-Cookie字段中能夠找到。

構建 Form-Data

Form部分目前已是加密的，沒法再直觀看到，能夠經過在 JS 裏打斷點的方式（具體這裏再也不贅述，如不會打斷點請自行搜索）。

而後咱們逐個構建上圖這些參數：
timestamp 時間戳，這個很好解決，區別是這裏是13位整數，Python 生成的整數部分只有10位，須要額外乘以1000

timestamp = str(int(time.time()*1000))
複製代碼

signature 經過 Ctrl+Shift+F 搜索找到是在一個 JS 裏生成的，是經過 Hmac 算法對幾個固定值和時間戳進行加密，那麼只須要在 Python 裏也模擬一次這個加密便可。

def _get_signature(self, timestamp):
    ha = hmac.new(b'd1b964811afb40118a12068ff74a12f4', digestmod=hashlib.sha1)
    grant_type = self.login_data['grant_type']
    client_id = self.login_data['client_id']
    source = self.login_data['source']
    ha.update(bytes((grant_type + client_id + source + timestamp), 'utf-8'))
    return ha.hexdigest()
複製代碼

captcha 驗證碼，是經過 GET 請求單獨的 API 接口返回是否須要驗證碼（不管是否須要，都要請求一次），若是是 True 則須要再次 PUT 請求獲取圖片的 base64 編碼。

resp = self.session.get(api, headers=headers)
show_captcha = re.search(r'true', resp.text)
if show_captcha:
    put_resp = self.session.put(api, headers=headers)
    json_data = json.loads(put_resp.text)
    img_base64 = json_data['img_base64'].replace(r'\n', '')
    with open('./captcha.jpg', 'wb') as f:
        f.write(base64.b64decode(img_base64))
        img = Image.open('./captcha.jpg')
複製代碼

實際上有兩個 API，一個是識別倒立漢字，一個是常見的英文驗證碼，任選其一便可，代碼中我將兩個都實現了，漢字是經過 plt 點擊座標，而後轉爲 JSON 格式。（另外，這裏其實能夠經過從新請求登陸頁面避開驗證碼，若是你須要自動登陸的話能夠改造試試） 最後還有一點要注意，若是有驗證碼，須要將驗證碼的參數先 POST 到驗證碼 API，再隨其餘參數一塊兒 POST 到登陸 API。

if lang == 'cn':
    import matplotlib.pyplot as plt
    plt.imshow(img)
    print('點擊全部倒立的漢字，按回車提交')
    points = plt.ginput(7)
    capt = json.dumps({'img_size': [200, 44],
                       'input_points': [[i[0]/2, i[1]/2] for i in points]})
else:
    img.show()
    capt = input('請輸入圖片裏的驗證碼：')
    # 這裏必須先把參數 POST 驗證碼接口
    self.session.post(api, data={'input_text': capt}, headers=headers)
    return capt
複製代碼

而後把 username 和 password 兩個值更新進去，其餘字段都保持固定值便可。

self.login_data.update({
    'username': self.username,
    'password': self.password,
    'lang': captcha_lang
})

timestamp = int(time.time()*1000)
self.login_data.update({
    'captcha': self._get_captcha(self.login_data['lang']),
    'timestamp': timestamp,
    'signature': self._get_signature(timestamp)
})
複製代碼

加密 Form-Data

可是如今知乎必須先將 Form-Data 加密才能進行 POST 傳遞，因此咱們還要解決加密問題，可因爲咱們看到的 JS 是混淆後的代碼，想窺視其中的加密實現方式是一件很費精力的事情。
因此這裏我採用了 sergiojune 這位知友經過 pyexecjs 調用 JS 進行加密的方式，只須要把混淆代碼完整複製過來，稍做修改便可。
具體可看他的原文：zhuanlan.zhihu.com/p/57375111

with open('./encrypt.js') as f:
    js = execjs.compile(f.read())
    return js.call('Q', urlencode(form_data))
複製代碼

這裏也感謝他分享了一些坑，否則確實很差解決。

保存 Cookies

最後實現一個檢查登陸狀態的方法，若是訪問登陸頁面出現跳轉，說明已經登陸成功，這時將 Cookies 保存起來（這裏 session.cookies 初始化爲 LWPCookieJar 對象，因此有 save 方法），這樣下次登陸能夠直接讀取 Cookies 文件。

def check_login(self):
    resp = self.session.get(self.login_url, allow_redirects=False)
    if resp.status_code == 302:
        self.session.cookies.save()
        return True
    return False
複製代碼

完整代碼

請關注微信公衆號：面向人生編程
回覆關鍵詞 「知乎」 獲取代碼

編程思惟不該只存留在代碼之中，更應伴隨於整我的生旅途，因此公衆號裏不僅聊技術，還會聊產品/互聯網/經濟學等普遍話題，因此也歡迎非程序員關注。