Python爬蟲學習筆記之模擬登陸並爬去GitHub

(1)環境准備:

        請確保已經安裝了requests和lxml庫

(2)分析登陸過程:

    首先要分析登陸的過程，需要探究后台的登陸請求是怎樣發送的，登陸之后又有怎樣的處理過程。

     如果已經登陸GitHub，則需要先退出登陸，同時清除Cookies

     打開GitHub的登陸頁面，鏈接為https://github.com/login，輸入GitHub的用戶名和密碼，打開開發者工具

     ，將Preserver Log選項勾選上，這表示持續日志，如下圖所示

 

           點擊登錄按鈕，這時便會看到開發者工具下方顯示了各個請求過程，如下圖所示：

 

     點擊session請求，進入其詳情，如下圖所示：

 

      可以看到請求的URL為https://www.github.com/session,請求方式為POST。再往下看，我們觀察到他的Form Data和Headers這兩部分內容，

   如下圖所示：

     Headers里面包含了Cookies，Host，Origin，Refer，User-Agent等信息。Form Data包含了5個字段，commit是固定的字符串Sign in，utf8

是一個勾選字符，authenticity_token較長，其初步判斷是一個Base64加密的字符串，login是登陸的用戶名，password是登陸的密碼。

     綜上所述，我們現在無法直接構造的內容有Cookies和authenticity_token。下面我們再來探尋一下這部分內容如何獲取。

在登陸之前我們會訪問到一個登陸頁面，此頁面是通過GET形式訪問的。輸入用戶名和密碼，點擊登錄按鈕，瀏覽器發送這兩部分信息，也就是

說Cookies和authenticity_token一定在訪問扥估頁面時候設置的。

     這時在退出登陸，回到登錄頁，同時清除Cookies，重新訪問登錄頁，截獲發生的請求，如下圖所示：

   

     訪問登陸頁面的請求如上，Response Headers有一個Set-Cookie字段。這就是設置Cookies的過程。

     另外，我們發現Response Headers沒有和authenticity_token相關的信息，所以可能authenticity_token還隱藏在其他的地方或者是計算出來的

。我們再從網頁的源碼探尋，搜索相關字段，發現源代碼里面還隱藏着此信息，他是一個隱藏式表單元素，如下圖所示：

 

     現在我們已經獲取到網頁所有信息，接下來讓我們 實現模擬登陸

(3)代碼如下:

import requests
from lxml import etree

class Login(object):
    def __init__(self):
        self.headers = {
            'Refer': 'https://github.com',
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                          'Chrome/68.0.3440.75 Safari/537.36',
            'Host': 'github.com'
        }
        self.login_url = 'https://github.com/login'
        self.post_url = 'https://github.com/session'
        self.logined_url = 'https://github.com/settings/profile'
        self.session = requests.Session()   # 此函數可以幫助我們維持一個會話，而且可以自動處理cookies，我們不用再去擔心cookies的問題

    def token(self):
        response = self.session.get(self.login_url, headers=self.headers)  # 訪問GitHub的登錄頁面
        selector = etree.HTML(response.text)
        token = selector.xpath('//div//input[2]/@value')[0]   # 解析出登陸所需的authenticity_token信息
        return token

    def login(self, email, password):
        post_data = {
            'commit': 'Sign in',
            'utf-8': '✓',
            'authenticity_token': self.token(),
            'login': email,
            'password': password
        }
        response = self.session.post(self.post_url, data=post_data, headers=self.headers)
        if response.status_code == 200:
            self.dynamics(response.text)

        response = self.session.get(self.logined_url, headers=self.headers)
        if response.status_code == 200:
            self.profile(response.text)

    def dynamics(self, html):  # 使用此方法提取所有動態信息
        selector = etree.HTML(html)
        dynamics = selector.xpath('//div[contains(@class, "news")]//div[contains(@class, "alert")]')
        for item in dynamics:
            dynamics = ' '.join(item.xpath('.//div[@class="title"]//text()')).strip()
            print(dynamics)

    def profile(self, html):  # 使用此方法提取個人的昵稱和綁定的郵箱
        selector = etree.HTML(html)
        name = selector.xpath('//input[@id="user_profile_name"]/@value')[0]
        email = selector.xpath('//select[@id="user_profile_email"]/option[@value!=""]/text()')
        print(name, email)

if __name__ == "__main__":
    login = Login()
    login.login(email='', password='')  # 此處填自己的