Python 爬蟲之模擬知乎登錄

經常寫爬蟲的都知道，有些頁面在登錄之前是被禁止抓取的，比如知乎的話題頁面就要求用戶登錄才能訪問，而 「登錄」 離不開 HTTP 中的 Cookie 技術。

登錄原理

Cookie 的原理非常簡單，因為 HTTP 是一種無狀態的協議，因此為了在無狀態的 HTTP 協議之上維護會話（session）狀態，讓伺服器知道當前是和哪個客戶在打交道，Cookie 技術出現了 ，Cookie 相當於是服務端分配給客戶端的一個標識。

1. 瀏覽器第一次發起 HTTP 請求時，沒有攜帶任何 Cookie 信息
2. 伺服器把 HTTP 響應，同時還有一個 Cookie 信息，一起返回給瀏覽器
3. 瀏覽器第二次請求就把伺服器返回的 Cookie 信息一起發送給伺服器
4. 伺服器收到HTTP請求，發現請求頭中有Cookie欄位， 便知道之前就和這個用戶打過交道了。

實戰應用

用過知乎的都知道，只要提供用戶名和密碼以及驗證碼之後即可登錄。當然，這只是我們眼中看到的現象。而背後隱藏的技術細節就需要藉助瀏覽器來挖掘了。現在我們就用 Chrome 來查看當我們填完表單後，究竟發生了什麼？

（如果已經登錄的，先退出）首先進入知乎的登錄頁面 https://www.zhihu.com/#signin ，打開 Chrome 的開發者工具條（按 F12）先嘗試輸入一個錯誤的驗證碼觀察瀏覽器是如何發送請求的。

從瀏覽器的請求可以發現幾個關鍵的信息

1. 登錄的 URL 地址是 https://www.zhihu.com/login/email
2. 登錄需要提供的表單數據有4個：用戶名（email）、密碼（password）、驗證碼（captcha）、_xsrf。
3. 獲取驗證碼的URL地址是 https://www.zhihu.com/captcha.gif?r=1490690391695&type=login

_xsrf 是什麼？如果你對CSRF（跨站請求偽造）攻擊非常熟悉的話，那麼你一定知道它的作用，xsrf是一串偽隨機數，它是用於防止跨站請求偽造的。它一般存在網頁的 form 表單標籤中，為了證實這一點，可以在頁面上搜索 「xsrf」，果然，_xsrf在一個隱藏的 input 標籤中

摸清了瀏覽器登錄時所需要的數據是如何獲取之後，那麼現在就可以開始寫代碼用 Python 模擬瀏覽器來登錄了。登錄時所依賴的兩個第三方庫是 requests 和 BeautifulSoup，先安裝

pip install beautifulsoup4==4.5.3pip install requests==2.13.0

http.cookiejar 模塊可用於自動處理HTTP Cookie，LWPCookieJar 對象就是對 cookies 的封裝，它支持把 cookies 保存到文件以及從文件中載入。

而 session 對象 提供了 Cookie 的持久化，連接池功能，可以通過 session 對象發送請求

首先從cookies.txt 文件中載入 cookie信息，因為首次運行還沒有cookie，所有會出現 LoadError 異常。

from http import cookiejarsession = requests.session()session.cookies = cookiejar.LWPCookieJar(filename="cookies.txt")try: session.cookies.load(ignore_discard=True)except LoadError: print("load cookies failed")

獲取 xsrf

前面已經找到了 xsrf 所在的標籤，，利用 BeatifulSoup 的 find 方法可以非常便捷的獲取該值

def get_xsrf(): response = session.get("https://www.zhihu.com", headers=headers) soup = BeautifulSoup(response.content, "html.parser") xsrf = soup.find("input", attrs={"name": "_xsrf"}).get("value") return xsrf

獲取驗證碼

驗證碼是通過 /captcha.gif 介面返回的，這裡我們把驗證碼圖片下載保存到當前目錄，由人工識別，當然你可以用第三方支持庫來自動識別，比如 pytesser。

def get_captcha(): """ 把驗證碼圖片保存到當前目錄，手動識別驗證碼 :return: """ t = str(int(time.time() * 1000)) captcha_url = "https://www.zhihu.com/captcha.gif?r=" + t + "&type=login" r = session.get(captcha_url, headers=headers) with open("captcha.jpg", "wb") as f: f.write(r.content) captcha = input("驗證碼：") return captcha

登錄

一切參數準備就緒之後，就可以請求登錄介面了。

def login(email, password): login_url = "https://www.zhihu.com/login/email" data = { "email": email, "password": password, "_xsrf": get_xsrf(), "captcha": get_captcha(), "remember_me": "true"} response = session.post(login_url, data=data, headers=headers) login_code = response.json() print(login_code["msg"]) for i in session.cookies: print(i) session.cookies.save()

請求成功後，session 會自動把 服務端的返回的cookie 信息填充到 session.cookies 對象中，下次請求時，客戶端就可以自動攜帶這些cookie去訪問那些需要登錄的頁面了。

源碼：https://github.com/lzjun567/crawler_html2pdf/blob/master/zhihu/auto_login.py

參考資料：

• 關於 HTTP 協議的簡單介紹，推薦公眾號「Python之禪」中寫的一篇文章一次完整的HTTP請求過程
• https://docs.python.org/3/library/http.cookies.html
• http://docs.python-requests.org/en/master/user/advanced/#session-objects

推薦閱讀：