原創文章，轉載請注明出處！
目前知乎使用了點擊圖中倒立文字的驗證碼：
用戶需要點擊圖中倒立的文字才能登錄。
這個給爬蟲帶來了一定難度，但並非無法解決，經過一天的耐心查詢，終於可以人工識別驗證碼並達到登錄成功狀態，下文將和大家一一道來。
我們學習爬蟲首先就要知道瀏覽器給服務器傳輸有什么字段（我用的是Safari瀏覽器進行演示，當然Chrome、Firefox都可以）
我們點擊了第一個和第二個文字：
右鍵審查元素-->點擊登錄 后可以看到：
從右面可以得到：報文發送的URL是：https://www/zhihu/com/login/phone_num
這不難理解，知乎的登錄是把手機和郵箱區分開來，我們用的是手機登錄，經過測試郵箱的URL是：https://www/zhihu/com/login/email，這里就不截圖了。
把右面的資源往下拉：
除了phone_num是用戶名,password是密碼，我們還看到了幾個重要信息：_xsrf、captcha、captcha_type
那么重點來了，這都分別是什么意思呢？經過反復查詢，直接把簡介明了的解釋給大家：
_xsrf：是“跨站請求偽造”(CSRF / XSRF)(Cross Site Request Forgery)，這是知乎的一個安全協議，當你第一次訪問知乎主頁www.zhihu.com的時候，知乎會自動往你的瀏覽器發送一個_xsrf字段並且和你的主機綁定，之后的你每次訪問知乎服務器時，你的瀏覽器都會帶上這個字段，知乎發現你發送的_xsrf是我給你的_xsrf時才能有權訪問，如果_xsrf錯誤或者不填都無法訪問。順便一提，這是一個安全機制，基本所有的網站都會設置一個 XSRF/CSRF 的字段，防止黑客攻擊。
我們既然知道瀏覽器每次向知乎發送請求時都會帶上_xsrf字段，那么我們的爬蟲就必須要模擬瀏覽器訪問知乎首頁獲取這個 _xsrf 字段並在登錄時提交這個字段，才能登錄成功。
captcha：里的"img_size"字段是固定的，每次都是[200,44]，應該就是圖片大小的意思。后面的"input_points"是你點擊驗證碼中倒立文字的坐標，由於驗證碼中七個文字位置是固定的，我們只要每個字都點一下再進行登錄，再審查元素來確定每個字的坐標就能模擬點擊了（是不是豁然開朗），這個步驟自行點擊來獲取坐標，我把我測試好的七個文字坐標依次拿出來：[22.796875,22],[42.796875,22],[63.796875,21],[84.796875,20],[107.796875,20],[129.796875,22],[150.796875,22]。
captcha_type：這個字段就有意思了，其中有一個小技巧來切換成數字英文驗證碼。如果把它設置成 "cn" 就是倒立文字驗證碼，設置成 "en" 就是數字英文驗證碼，我沒就這里設置成"cn"，數字英文驗證碼網上很多，大家可自行尋找。（經測試不填這個字段也是數字英文驗證碼）
到這里思路就很清晰了，我們知道了這三個重要信息，就知道如何讓爬蟲登錄知乎了，不多說直接上代碼：
import requests try: import cookielib except: import http.cookiejar as cookielib import re import time import json def get_xsrf(): # 獲取xsrf code response = session.get('https://www.zhihu.com', headers=header) # print(response.text) match_obj = re.match('[\s\S]*name="_xsrf" value="(.*?)"', response.text) if match_obj: return match_obj.group(1) return '' def get_captcha(): # 驗證碼URL是按照時間戳的方式命名的 captcha_url = 'https://www.zhihu.com/captcha.gif?r=%d&type=login&lang=cn' % (int(time.time() * 1000)) response = session.get(captcha_url, headers=header) # 保存驗證碼到當前目錄 with open('captcha.gif', 'wb') as f: f.write(response.content) f.close() # 自動打開剛獲取的驗證碼 from PIL import Image try: img = Image.open('captcha.gif') img.show() img.close() except: pass captcha = { 'img_size': [200, 44], 'input_points': [], } points = [[22.796875, 22], [42.796875, 22], [63.796875, 21], [84.796875, 20], [107.796875, 20], [129.796875, 22], [150.796875, 22]] seq = input('請輸入倒立字的位置\n>') for i in seq: captcha['input_points'].append(points[int(i) - 1]) return json.dumps(captcha) def zhihu_login(account, password): # 知乎登錄 if re.match('1\d{10}', account): print('手機號碼登錄') post_url = 'https://www.zhihu.com/login/phone_num' post_data = { 'captcha_type': 'cn', '_xsrf': get_xsrf(), 'phone_num': account, 'password': password, 'captcha': get_captcha(), } response_text = session.post(post_url, data=post_data, headers=header) response_text = json.loads(response_text.text) if 'msg' in response_text and response_text['msg'] == '登錄成功': print('登錄成功！') else: print('登錄失敗') if __name__ == '__main__': agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/603.3.8 (KHTML, like Gecko) Version/10.1.2 Safari/603.3.8' header = { 'HOST': 'www.zhihu.com', 'Referer': 'https://www.zhihu.com', 'User-agent': agent, } session = requests.session() zhihu_login('輸入登錄的手機號', '輸入登錄密碼')
想必大家看代碼都能看的懂了，我再簡單說一嘴重要的
非常要注意的地方是：必須要用session來請求驗證碼再用session來提交報文，為什么不能用requests呢？一個session就是一個會話，如果用一個session訪問了一個網站，后面再拿着這個session再請求這個網站，它會把網站帶給我們的cookie或者說網站放到字段里面的session完全的給帶回去，這里面的cookie就非常重要，在我們訪問知乎的時候，不管我們有沒有登錄，服務器都可以往我們的header里面放一些值，我們用pycharm的debug來看一下session：
可以看到里面有很多cookie，獲取驗證碼時服務器給我們發的這些cookie，必須在登錄時再傳給知乎服務器才算認證成功。如果在登錄時用requests，它會再建立一次session，就無法把獲取驗證碼帶來的cookies傳給服務器，這樣固然認證失敗。
好了，大功告成！只要輸入第幾個文字是倒立的就行了，比如第二個和第四個文字是倒立的，輸入：24 按回車后就自動添加坐標，是不是很開心！