操作环境:python3
在上一文中python爬虫scrapy框架——人工识别登录知乎倒立文字验证码和数字英文验证码(1)我们已经介绍了用Requests库来登录知乎,本文如果看不懂可以先看之前的文章便于理解
本文将介绍如何用scrapy来登录知乎。
不多说,直接上代码:
- import scrapy
- import re
- import json
- class ZhihuSpider(scrapy.Spider):
- name = 'zhihu'
- allowed_domains = ['www.zhihu.com']
- start_urls = ['https://www.zhihu.com/']
- headers = {
- 'HOST': 'www.zhihu.com',
- 'Referer': 'https://www.zhihu.com',
- 'User-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',
- }
- def parse(self, response):
- pass
- def parse_detail(self, response):
- # 爬取文章细节
- pass
- # scrapy开始时先进入start_requests()
- def start_requests(self):
- # 为了提取_xsrf:要先访问知乎的登录页面,让scrapy在登录页面获取服务器给我们的数据(_xsrf),再调用login
- return [scrapy.Request('https://www.zhihu.com/#signin', headers=self.headers, callback=self.login)]
- def login(self, response):
- xsrf = ''
- match_obj = re.match('[\s\S]*name="_xsrf" value="(.*?)"', response.text)
- if match_obj:
- xsrf = match_obj.group(1)
- # 如果提取到了xsrf就进行下面的操作,如果没xsrf有就没必要往下做了
- if xsrf:
- post_data = {
- 'captcha_type': 'cn',
- '_xsrf': xsrf,
- 'phone_num': '13043330319',
- 'password': 'Wcw19961223',
- 'captcha': '',
- }
- import time
- captcha_url = 'https://www.zhihu.com/captcha.gif?r=%d&type=login&lang=cn' % (int(time.time() * 1000))
- # scrapy会默认把Request的cookie放进去
- return scrapy.Request(captcha_url, headers=self.headers, meta={'post_data': post_data}, callback=self.login_after_captcha)
- def login_after_captcha(self, response):
- # 保存并打开验证码
- with open('captcha.gif', 'wb') as f:
- f.write(response.body)
- f.close()
- from PIL import Image
- try:
- img = Image.open('captcha.gif')
- img.show()
- except:
- pass
- # 输入验证码
- 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('请输入倒立字的位置\n>')
- for i in seq:
- captcha['input_points'].append(points[int(i) - 1])
- captcha = json.dumps(captcha)
- post_url = 'https://www.zhihu.com/login/phone_num'
- post_data = response.meta.get('post_data', {})
- post_data['captcha'] = captcha
- return [scrapy.FormRequest(
- # 在这里完成像之前的requests的登录操作,每一个Request如果要做下一步处理都要设置callback
- url=post_url,
- formdata=post_data,
- headers=self.headers,
- callback=self.check_login,
- )]
- def check_login(self, response):
- # 验证服务器的返回数据判断是否成功
- text_json = json.loads(response.text)
- if 'msg' in text_json and text_json['msg'] == '登录成功':
- print('登录成功!')
- for url in self.start_urls:
- yield scrapy.Request(url, dont_filter=True, headers=self.headers)
这个文件是你爬虫目录下的spider/zhihu.py,有scrapy基础的都看得懂。
下面让我们一起分析一下这个逻辑
首先你要知道:
所以我们要在 start_requests() 里进行登录,再在 parse() 里进行提取我们要爬取的字段。这里我们不分析 parse() 怎么写,只分析如何登录。下面让我们逐步分析如何登录:
首先要访问知乎的登录界面获取 "_xsrf" 字段的值:
- def start_requests(self):
- return [scrapy.Request('https://www.zhihu.com/#signin', headers=self.headers, callback=self.login)]
在scrapy请求了https://www.zhihu.com/#signin后,知乎服务器返回的cookies就会被scrapy保存,下次请求(request)会默认带着这些cookies。
在 login() 函数里进行提取 "_xsrf" 字段(看不懂如何提取的可参考之前的文章),并去请求知乎的验证码URL,这里是必须要注意的,在请求知乎的验证码URL后,知乎服务器会返回cookies,我们在提交验证码字段时必须带上直呼服务器给你的cookies,知乎服务器会进行匹配,如果cookies不对就会验证失败。
- def login(self, response):
- xsrf = ''
- match_obj = re.match('[\s\S]*name="_xsrf" value="(.*?)"', response.text)
- if match_obj:
- xsrf = match_obj.group(1)
- # 如果提取到了xsrf就进行下面的操作,如果没xsrf有就没必要往下做了
- if xsrf:
- post_data = {
- 'captcha_type': 'cn',
- '_xsrf': xsrf,
- 'phone_num': '这里写你登录的电话号',
- 'password': '这里写你的登录密码',
- 'captcha': '',
- }
- import time
- captcha_url = 'https://www.zhihu.com/captcha.gifr=%d&type=login&lang=cn' % (int(time.time() * 1000))
- # scrapy会默认把Request的cookie放进去
- yield scrapy.Request(captcha_url, headers=self.headers, meta={'post_data': post_data}, callback=self.login_after_captcha)
向知乎服务器请求验证码后,这个 request 返回的 response 里其实就是验证码图片了,下面我们会调用 login_after_captcha() 函数,进行验证码图片的保存、自动打开、手动输入验证码的位置,再利用 python 的 Json 模块把 captcha 这个dict转换成 Json 格式放入 post_data 中。顺便一提,目前这里的 yield 完全可以用 return 代替。
- def login_after_captcha(self, response):
- # 保存并打开验证码
- with open('captcha.gif', 'wb') as f:
- f.write(response.body)
- f.close()
- from PIL import Image
- try:
- img = Image.open('captcha.gif')
- img.show()
- except:
- pass
- # 输入验证码
- 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('请输入倒立字的位置\n>')
- for i in seq:
- captcha['input_points'].append(points[int(i) - 1])
- captcha = json.dumps(captcha)
- post_url = 'https://www.zhihu.com/login/phone_num'
- post_data = response.meta.get('post_data', {})
- post_data['captcha'] = captcha
- return [scrapy.FormRequest(
- # 在这里完成像之前的requests的登录操作,每一个Request如果要做下一步处理都要设置callback
- url=post_url,
- formdata=post_data,
- headers=self.headers,
- callback=self.check_login,
- )]
把填写好的 post_data 发送给知乎登录URL:https://www.zhihu.com/login/phone_num,这里只演示电话号码登录,邮箱登录一个原理,只不过URL不一样:https://www.zhihu.com/login/email。之后我们要调用 check_login() 函数来检查是否登录成功,思路就是查看返回的"msg"字段是否为"登陆成功"。然后再调用scrapy原有的 start_request() 函数里的方法,经查看源码它的方法实际就是下面的遍历self.start_url再进行request(我的start_url是知乎主页,所以这个request就会访问知乎主页)
- def check_login(self, response):
- # 验证服务器的返回数据判断是否成功
- text_json = json.loads(response.text)
- if 'msg' in text_json and text_json['msg'] == '登录成功':
- print('登录成功!')
- for url in self.start_urls:
- yield scrapy.Request(url, dont_filter=True, headers=self.headers)
由于我们已经登陆成功了,scrapy再访问知乎主页www.zhihu.com就会带着知乎服务器返回已经登录成功的cookies,因此就会直接进入登录成功的主页。
到此为止,我们就大功告成了!
让我们利用 Pycharm 的 Debug 模式在parse那打个断点,查看response的text,已经登录上知乎了,是不是很开心!
来源: http://www.cnblogs.com/wangchaowei/p/7518979.html