Scrapy 爬虫模拟登陆的3种策略

Posted 2021-01-05 tinghai8

1   Scrapy 爬虫模拟登陆策略

前面学习了爬虫的很多知识，都是分析 html、json 数据，有很多的网站为了反爬虫，除了需要高可用代理 IP 地址池外，还需要登录，登录的时候不仅仅需要输入账户名和密码，而且有可能验证码，下面就介绍 Scrapy 爬虫模拟登陆的几种策略。

1.1  策略一：直接POST请求登录

前面介绍的爬虫 scrapy 的基本请求流程是 start_request 方法遍历 start_urls 列表，然后 make_requests_from_url方法，里面执行 Request 方法，请求 start_urls 里面的地址，使用的是 GET 方法，由于直接使用用户名和密码可以登录，使用 POST 方法进行登录。

例子：人人网登录

登录地址：http://www.renren.com/PLogin.do

 

案例步骤：

第一步：创建项目。

在 dos下切换到目录

D:scrapy_project

 

新建一个新的爬虫项目：scrapy startproject renren

 

第二步:创建爬虫。

在 dos下切换到目录。

D:scrapy_project enren enrenspiders

用命令 scrapy genspider renren1 " renren.com" 创建爬虫。

 

第三步: 通过浏览器登录人人网，使用 fiddler 抓包抓取登录 post 请求的 data。

第四步:编写爬虫文件。

import scrapy

# 登录只需要提供 post 数据就可以登录的，就可以用这种方法，

# 下面示例：post 数据是账户密码

class Renren1Spider(scrapy.Spider):

    name = "renren1"

    allowed_domains = ["renren.com"]

 

    def start_requests(self):

        url = ‘http://www.renren.com/PLogin.do‘

        # FormRequest 是 Scrapy 发送 POST 请求的方法

        yield scrapy.FormRequest(

                url = url,

                formdata = {"email" : "13554799060", "password" : "xny123"},

                callback = self.parse_page)

    # 回调方法，对返回的 response 进行处理（把response.body保存到 xiao.html 中）

    def parse_page(self, response):

        with open("xiao.html", "wb") as filename:

            filename.write(response.body)

第五步:修改 settings 文件。

 

设置爬虫请求的默认头信息。

第六步:运行爬虫。

在 dos下切换到目录

D:scrapy_project enren enren 下

通过命令运行爬虫 ：scrapy crawl renren1

 

第七步:查看结果。

 

xiao.html 中显示的内容正是登录自己人人网之后的主页内容，说明登录成功。

1.2  策略二：标准的模拟登陆

标准的模拟登录方法：

1、首先发送登录页面的 get 请求，获取到页面里的登录必须的参数。

2、登录必须的参数和账户密码一起 post 到服务器，登录成功。

23.2.1 Cookie原理

HTTP 是无状态的面向连接的协议, 为了保持连接状态, 标准的模拟登陆案例引入了 Cookie 机制。

Cookie 是 http 消息头中的一种属性，包括：

.Cookie 名字（Name）Cookie 的值（Value）

.Cookie 的过期时间（Expires/Max-Age）

.Cookie 作用路径（Path）

.Cookie 所在域名（Domain），使用 Cookie 进行安全连接（Secure）。

前两个参数是 Cookie 应用的必要条件，另外，还包括 Cookie 大小（ Size，不同浏览器对Cookie 个数及大小限制是有差异的 ）。

23.2.2 模拟登陆

爬取的网站：github (https://github.com/login)

案例步骤：

第一步：爬取前分析。

打开 fiddler，接着我们打开 github 的登陆页面（https://github.com/login ），输入用户名、密码（ 输入错误的密码 ），提交查看 fiddler 获取的信息，结果入下：

 

输入用户名和错误密码获取的 fiddler 结果：

 

我们用 google 浏览器看源码也可以看到 form 提交时会加入 authenticity_token 参数一起，如下图：

 

第二步：创建项目。

在 dos下切换到目录

D:scrapy_project

 

新建一个新的爬虫项目：scrapy startproject github

 

第三步:创建爬虫。

在 dos下切换到目录。

D:scrapy_projectgithubgithubspiders

用命令 scrapy genspider gh "github.com" 创建爬虫。

 

第四步: 开始前的准备工作。

（一）、在 scrapy.cfg 同级目录下创建 pycharm 调试脚本 run.py，内容如下：

# -*- coding: utf-8 -*-

from scrapy import cmdline

cmdline.execute("scrapy crawl github".split())

 

(二)修改 settings 中的 ROBOTSTXT_OBEY = True 参数为 False,因为默认为 True，就是要遵守 robots.txt 的规则， robots.txt 是遵循 Robot协议 的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，本网站哪些目录下的网页不希望你进行爬取收录。在 Scrapy 启动后，会在第一时间访问网站的 robots.txt 文件，然后决定该网站的爬取范围。查看 robots.txt 可以直接网址后接 robots.txt 即可。

例如百度：https://www.baidu.com/robots.txt

 

修改 settings 文件。

（三）模拟登陆时，必须保证 settings.py 里的 COOKIES_ENABLED (Cookies中间件) 处于开启状态。

COOKIES_ENABLED = True

 

第五步:编写爬虫文件-获取 authenticity_token。

首先要打开登陆页面，获取 authenticity_token，代码如下：

import scrapy

 

class GithubSpider(scrapy.Spider):

    name = ‘gh‘

    allowed_domains = [‘github.com‘]

 

    def start_requests(self):

        urls = [‘https://github.com/login‘]

        for url in urls:

            # 重写 start_requests 方法，通过 meta 传入特殊 key cookiejar，爬取 url 作为参数传给回调函数

            yield scrapy.Request(url, meta={‘cookiejar‘: 1}, callback=self.github_login)

 

    def github_login(self, response):

        # 首先获取authenticity_token,这里可以借助scrapy shell ”url“来获取页面

        # 然后从源码中获取到authenticity_token的值

        authenticity_token = response.xpath("//input[@name=‘authenticity_token‘]/@value").extract_first()

        # 利用 scrapy 内置 logger 打印 info 信息

        self.logger.info(‘authenticity_token=‘+ authenticity_token)

        pass

运行结果：

 

通过运行的结果，可以看到我们已经获取了 authenticity_token 的值，这一步重点要说明meta、cookiejar 和 logger。

【meta】：字典格式的元数据，可以传递给下一个函数 meta。

【cookiejar】：是 meta 的一个特殊的key，通过 cookiejar 参数可以支持多个会话对某网站进行爬取，可以对 cookie 做标记，1,2,3,4......这样 scrapy 就维持了多个会话；

【logger】:scrapy 为每个 spider 实例内置的日志记录器。

为了能使用同一个状态持续的爬取网站, 就需要保存cookie, 使用cookie保存状态, Scrapy 提供了 cookie 处理的中间件, 可以直接拿来使用，Scrapy 官方的文档中给出了下面的代码范例 :

for i, url in enumerate(urls):

    yield scrapy.Request("http://www.example.com", meta={‘cookiejar‘: i},

        callback=self.parse_page)

def parse_page(self, response):

    # do some processing

    return scrapy.Request("http://www.example.com/otherpage",

        meta={‘cookiejar‘: response.meta[‘cookiejar‘]},

        callback=self.parse_other_page)

第六步:修改爬虫文件- FormRequest（登录表单提交）

Scrapy 提供了 FormRequest 类，是 Request 类的扩展，专门用来进行 Form 表单提交。我们主要使用 FormRequest.from_response()方法来模拟简单登陆，通过FormRequest.from_response 提交后，交给回调函数处理。代码如下：

import scrapy

 

class GithubSpider(scrapy.Spider):

    name = ‘gh‘

    allowed_domains = [‘github.com‘]

 

    def start_requests(self):

        urls = [‘https://github.com/login‘]

        for url in urls:

            # 重写 start_requests 方法，通过 meta 传入特殊 key cookiejar，爬取 url 作为参数传给回调函数

            yield scrapy.Request(url, meta={‘cookiejar‘: 1}, callback=self.github_login)

 

    def github_login(self, response):

        # 首先获取authenticity_token,这里可以借助scrapy shell ”url“来获取页面

        # 然后从源码中获取到authenticity_token的值

        authenticity_token = response.xpath("//input[@name=‘authenticity_token‘]/@value").extract_first()

        # 利用 scrapy 内置 logger 打印 info 信息

        self.logger.info(‘authenticity_token=‘+ authenticity_token)

        # url 可以从 fiddler 抓取中获取,dont_click 作用是如果是 True，表单数据将被提交，而不需要单击任何元素。

        return scrapy.FormRequest.from_response(

        response,

        url=‘https://github.com/session‘,

        meta = {‘cookiejar‘: response.meta[‘cookiejar‘]},

        headers = self.headers,

        formdata = {‘utf8‘:‘?‘,

        ‘authenticity_token‘: authenticity_token,

        ‘login‘: ‘[email protected]‘,

        ‘password‘: ‘xxxxxx‘},

        callback = self.github_after,

        dont_click = True,

        )

第七步:修改爬虫文件- 伪装头部。

为了更真实的模拟浏览器登陆网站，需要进行头部伪装， 在 scrapy 中 Request 和 FormRequest 初始化的时候都有一个 headers 字段, 可以自定义头部, 这样我们可以添加 headers 字段。

# 头信息直接从 fiddler 中复制出来

headers = {

    "Connection": "keep-alive",

    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.111 Safari/537.36",

    "Referer": "https: // github.com /",

    "Content - Type": "application / x - www - form - urlencoded",

}

第八步:修改爬虫文件- 增加回调函数，主要是登陆成功之后，获取登录之后返回的页面（response）的元素进行断言，验证登录结果。

登录之后，主页如下：

 

# 回调函数

def github_after(self, response):

    # 获取登录页面主页中的字符串‘Browse activity‘

    list = response.xpath("//a[@class=‘tabnav-tab selected‘]/text()").extract()

    # 如果含有字符串，则打印日志说明登录成功

    if ‘Browse activity‘ in list:

        self.logger.info(‘我已经登录成功了，这是我获取的关键字：Browse activity‘)

    else:

        self.logger.error(‘登录失败‘)

第九步:整理完整的爬虫文件

import scrapy

 

class GithubSpider(scrapy.Spider):

    name = ‘gh‘

    allowed_domains = [‘github.com‘]

    # 头信息直接从 fiddler 中复制出来

    headers = {

    "Connection": "keep-alive",

    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.111 Safari/537.36",

    "Referer": "https: // github.com /",

    "Content - Type": "application / x - www - form - urlencoded",

    }

 

    def start_requests(self):

        urls = [‘https://github.com/login‘]

        for url in urls:

            # 重写 start_requests 方法，通过 meta 传入特殊 key cookiejar，爬取 url 作为参数传给回调函数

            yield scrapy.Request(url, meta={‘cookiejar‘: 1}, callback=self.github_login)

 

    def github_login(self, response):

        # 首先获取authenticity_token,这里可以借助scrapy shell ”url“来获取页面

        # 然后从源码中获取到authenticity_token的值

        authenticity_token = response.xpath("//input[@name=‘authenticity_token‘]/@value").extract_first()

        # 利用 scrapy 内置 logger 打印 info 信息

        self.logger.info(‘authenticity_token=‘+ authenticity_token)

        # url 可以从 fiddler 抓取中获取,dont_click 作用是如果是 True，表单数据将被提交，而不需要单击任何元素。

        return scrapy.FormRequest.from_response(

        response,

        url=‘https://github.com/session‘,

        meta = {‘cookiejar‘: response.meta[‘cookiejar‘]},

        headers = self.headers,

        formdata = {‘utf8‘:‘?‘,

        ‘authenticity_token‘: authenticity_token,

        ‘login‘: ‘[email protected]‘,

        ‘password‘: ‘xny8816056‘},

        callback = self.github_after,

        dont_click = True,

        )

 

    # 回调函数

    def github_after(self, response):

        # 获取登录页面主页中的字符串‘Browse activity‘

        list = response.xpath("//a[@class=‘tabnav-tab selected‘]/text()").extract()

        # 如果含有字符串，则打印日志说明登录成功

        if ‘Browse activity‘ in list:

            self.logger.info(‘我已经登录成功了，这是我获取的关键字：Browse activity‘)

        else:

            self.logger.error(‘登录失败‘)

第十步:查看运行的结果。

 

通过运行的结果说明登录成功。

1.3  策略三：直接使用保存登陆状态的 Cookie 模拟登陆

如果实在没办法了，可以用策略三这种方法模拟登录，虽然麻烦一点，但是成功率100%。

案例步骤：

第一步：创建项目。

在 dos下切换到目录

D:scrapy_project

新建一个新的爬虫项目：scrapy startproject renren2

 

第二步:创建爬虫。

在 dos下切换到目录。

D:scrapy_project enren2 enren2spiders

用命令 scrapy genspider ren2 "renren.com" 创建爬虫。

 

第三步: 通过浏览器登录人人网，使用 fiddler 抓包抓取登录后的Cookis。

 

第四步: 开始前的准备工作。

（一）、在 scrapy.cfg 同级目录下创建 pycharm 调试脚本 run.py，内容如下：

# -*- coding: utf-8 -*-

from scrapy import cmdline

cmdline.execute("scrapy crawl renren".split())

 

(二)修改 settings 中的 ROBOTSTXT_OBEY = True 参数为 False,因为默认为 True，就是要遵守 robots.txt 的规则， robots.txt 是遵循 Robot协议 的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，本网站哪些目录下的网页不希望你进行爬取收录。在 Scrapy 启动后，会在第一时间访问网站的 robots.txt 文件，然后决定该网站的爬取范围。查看 robots.txt 可以直接网址后接 robots.txt 即可。

修改 settings 文件。

（三）模拟登陆时，必须保证 settings.py 里的 COOKIES_ENABLED ( Cookies 中间件) 处于开启状态。

COOKIES_ENABLED = True

 

第五步: 编写爬虫文件。

import scrapy

 

class RenrenSpider(scrapy.Spider):

    name = "renren"

    allowed_domains = ["renren.com"]

    Cookies = {

        "anonymid": "jlvxr345k9ondn",

        "wp_fold": "0",

        "depovince": "GW",

        "jebecookies": "3af719cc-f819-4493-bcb6-c967fc59f04a|||||",

        "_r01_": "1",

        "JSESSIONID": "abcwnUubDsWO467i0mgxw",

        "ick_login":"27af5597-30d7-469c-b7c4-184a6e335fcb",

        "jebe_key":"d1f5682d-03b4-46cd-87c0-dc297525ed11%7Ccfcd208495d565ef66e7dff9f98764da%7C1536628574466%7C0%7C1536628572944",}

 

 

    # 可以重写 Spider 类的 start_requests 方法，附带 Cookie 值，发送 POST 请求

    def start_requests(self):

        url = ‘http://www.renren.com/PLogin.do‘

        # FormRequest 是 Scrapy 发送 POST 请求的方法

        yield scrapy.FormRequest(url, cookies = self.Cookies, callback = self.parse_page)

 

    # 处理响应内容

    def parse_page(self, response):

        print("===========" + response.url)

        with open("xiao2.html", "wb") as filename:

            filename.write(response.body)

第六步: 运行程序，查看运行结果。

 

Xiao2.html 中显示的内容正是登录自己人人网之后的主页内容，说明登录成功。