python爬蟲之scrapy模擬登錄

背景：

　　初來乍到的pythoner，剛開始的時候覺得所有的網站無非就是分析HTML、json數據，但是忽略了很多的一個問題，有很多的網站為了反爬蟲，除了需要高可用代理IP地址池外，還需要登錄。例如知乎，很多信息都是需要登錄以后才能爬取，但是頻繁登錄后就會出現驗證碼（有些網站直接就讓你輸入驗證碼），這就坑了，畢竟運維同學很辛苦，該反的還得反，那我們怎么辦呢？這不說驗證碼的事兒，你可以自己手動輸入驗證，或者直接用雲打碼平台，這里我們介紹一個scrapy的登錄用法。

 測試登錄地址：http://example.webscraping.com/places/default/user/login

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

　　1、這里不在敘述如何創建scrapy項目和spider，可以看我前面的博客

　　2、快速登錄方法。

　　我們在這里做了一個簡單的介紹，我們都知道scrapy的基本請求流程是start_request方法遍歷start_urls列表，然后make_requests_from_url方法，里面執行Request方法，請求start_urls里面的地址，但是這里我們用的不再是GET方法，而用的是POST方法，也就常說的登錄。

　　　　1、首先我們改寫start_reqeusts方法，直接GET登錄頁面的HTML信息（有些人說你不是POST登錄么，干嘛還GET，別着急，你得先GET到登錄頁面的登錄信息，才知道登錄的賬戶、密碼等怎么提交，往哪里提交）

　　　　2、start_request方法GET到數據后，用callback參數，執行拿到response后要接下來執行哪個方法，然后在login方法里面寫入登錄用戶名和密碼（還是老樣子，一定要用dict），然后只用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需要傳入一個response對象作為第一個參數，這個方法會從頁面中form表單中，幫助用戶創建FormRequest對象，最最最最重要的是它會幫你把隱藏的input標簽中的信息自動跳入表達，使用這個中方法，我們直接寫用戶名和密碼即可，我們在最后面再介紹傳統方法。

　　　　3、parse_login方法是提交完表單后callback回調函數指定要執行的方法，為了驗證是否成功。這里我們直接在response中搜索Welcome Liu這個字眼就證明登錄成功。這個好理解，重點是yield  from super().start_resquests()，這個代表着如果一旦登錄成功后，就直接帶着登錄成功后Cookie值，方法start_urls里面的地址。這樣的話登錄成功后的response可以直接在parse里面寫。

# -*- coding: utf-8 -*-
import scrapy
from scrapy import FormRequest,Request


class ExampleLoginSpider(scrapy.Spider):
    name = "login_"
    allowed_domains = ["example.webscraping.com"]
    start_urls = ['http://example.webscraping.com/user/profile']
    login_url = 'http://example.webscraping.com/places/default/user/login'

    def parse(self, response):
        print(response.text)

    def start_requests(self):
        yield scrapy.Request(self.login_url,callback=self.login)

    def login(self,response):
        formdata = {
            'email':'[e-mail]','password':'12345678'}
        yield FormRequest.from_response(response,formdata=formdata,
                                        callback=self.parse_login)
    def parse_login(self,response):
        # print('>>>>>>>>'+response.text)
        if 'Welcome Liu' in response.text:
            yield from super().start_requests()

有的同學可能問了，login方法里面不是應該寫reture 么，其實上面的寫法跟下面的這種寫法是一樣效果，如果再有個CSRF的話，也可以直接在login里面寫拿到CSRF信息，寫入到formdata里面跟用戶名和密碼一起提交。

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

 

登錄成功

 

　　3、傳統登錄方法：

　　　　1、首先要明確一件事情，一般情況下需要登錄的網站，不只需要登錄用戶和密碼，接下來我們聊聊上面說的傳統登錄模式。用戶在登錄的時候並不是只需要登錄賬戶信息，除了常見直觀的驗證碼和CSRF信息外，也有可能需要提交其它信息，我們必須把它們都提取到一起提交給服務器。

　　　　

　　　　2、我們在form表單下面找到了一個display:none的div標簽，里面的input標簽的value值正好是我們要提交的數據，那我們就提取到他。