HttpClient 模擬登陸知乎

最近做爬蟲相關工作，我們平時用HttpWebRequest 比較多，每一個Url都要創建一個HttpWebRequest實例，

而且有些網站驗證比較復雜，在登陸及后續抓取數據的時候，每次請求需要把上次的Cookie傳遞給這次請求。

記得這篇博客(http://www.cnblogs.com/dudu/archive/2013/03/05/httpclient.html)結尾,dudu總結了：

 

HttpClient最與眾不同的地方是同一個HttpClient實例可以發出多次請求，每次請求是可以是完全不同的URL。

而一個HttpWebRequest實例對應於一個Url的一次請求。這才是HttpClient與HttpWebRequest的最大區別所在。

 

那么為什么不用HttpClient呢？

源碼地址：https://github.com/zzhi/Spider4Net

本着學習的目的，那我就拿知乎練習一下，看看HttpClient好用否？

1，分析登陸頁：https://www.zhihu.com/#signin

根據上圖設置 DefaultRequestHeaders

 HttpClient h = new HttpClient(
            new HttpClientHandler
            {
              //CookieContainer = cookies,
              AutomaticDecompression = DecompressionMethods.GZip //防止返回的json亂碼
                                       | DecompressionMethods.Deflate
            });
            
            h.DefaultRequestHeaders.Add("UserAgent", Configs.ChromeAgent);
            h.DefaultRequestHeaders.Add("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4");
            h.DefaultRequestHeaders.Add("Accept-Encoding", "gzip, deflate, sdch");
            h.DefaultRequestHeaders.Add("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
            //1.首頁
            var response = await h.GetAsync(index);
            string content = await response.Content.ReadAsStringAsync();
            if (response.IsSuccessStatusCode)
            {
                //獲取隱藏的input值
                HtmlDocument doc = new HtmlDocument();
                doc.LoadHtml(content);
                var xsdf = DocumentHelper.GetInputValue(doc, "_xsrf");//登錄需要
                nameValue["_xsrf"] = xsdf;
            }
            else
            {
                return null;
            }

2，分析登陸頁:https://www.zhihu.com/login/phone_num(我這里是手機和密碼登錄):

分析：除了要設置DefaultRequestHeaders，還需獲取_xsrf的值<input type="hidden" name="_xsrf" value="3bc639713d3f8bb899009a7dfa37f9d2"/>，

這里還需注意：1, Content-Type: application/x-www-form-urlencoded; charset=UTF-8 該如何設置? 參考地址：http://ronaldrosiernet.azurewebsites.net/Blog/2013/12/07/posting_urlencoded_key_values_with_httpclient

                   2, 登錄返回的JSON結果是亂碼，該如何處理? 參考地址：http://stackoverflow.com/questions/9242472/retrieve-json-data-with-httpclient

//2.登陸
            h.DefaultRequestHeaders.Clear();
            h.DefaultRequestHeaders.Add("UserAgent", Configs.ChromeAgent);
            h.DefaultRequestHeaders.Add("X-Requested-With", "XMLHttpRequest");
            h.DefaultRequestHeaders.Add("Origin", index);
            h.DefaultRequestHeaders.Add("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4");
            h.DefaultRequestHeaders.Add("Accept-Encoding", "gzip, deflate, sdch");
            h.DefaultRequestHeaders.Add("Accept", "*/*");
            //post參數
            nameValue["password"] = PassWord;
            nameValue["captcha_type"] = "cn";
            nameValue["remember_me"] = "true";
            nameValue["phone_num"] = Phone;
            StringBuilder sb = new StringBuilder();
            foreach (var key in nameValue.AllKeys)
            {
                sb.AppendFormat("{0}={1}&", key, nameValue[key]);
            }
            var str = sb.ToString().TrimEnd('&');
            var request = new HttpRequestMessage(HttpMethod.Post, login);
            var requestContent = str;
            request.Content = new StringContent(requestContent, Encoding.UTF8, "application/x-www-form-urlencoded");

            response = await h.SendAsync(request);
            content = await response.Content.ReadAsStringAsync();
            var dic = DocumentHelper.JsonToDic(content);

            if (dic.ContainsKey("msg"))
            {
                if (dic["msg"] != "登陸成功")//登錄過於頻繁，請稍等重試;errcode:100030
                {
                    Console.WriteLine(dic["msg"]);
                    return null;
                }
            }

3. 登錄成功后，后面就由大家隨便折騰了。這里獲取登陸后的首頁信息吧。

//3.抓取首頁
            h.DefaultRequestHeaders.Clear();
            h.DefaultRequestHeaders.Add("UserAgent", Configs.ChromeAgent);
            h.DefaultRequestHeaders.Add("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4");
            h.DefaultRequestHeaders.Add("Accept-Encoding", "gzip, deflate, sdch");
            h.DefaultRequestHeaders.Add("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
            response = await h.GetAsync(index);
            content = await response.Content.ReadAsStringAsync();

4，我也不對數據做處理了，看看結果：

上圖是調試狀態下的可視化工具視圖。

源碼地址：https://github.com/zzhi/Spider4Net, 里面也包含了用HttpWebRequest 方式登錄的代碼。

 

以上就是所有了，如果有時間給大家講講登錄驗證碼的識別，但是這個略麻煩，需要根據具體網站的驗證碼訓練一個驗證碼庫，

復雜的無法識別的驗證碼就只能用打碼兔了，其實也可以自己寫個類似打碼兔的軟件，但需要有人值守，人工識別驗證碼。

 

這這么點東西，昨晚花費了3小時(9-12)，今早寫博客又花費了1小時。