Python爬虫番外篇之关于登录

coders

发布于 2018-01-04 14:58:10

1.3K0

文章被收录于专栏：coder修行路coder修行路

常见的登录方式有以下两种：

查看登录页面，csrf,cookie;授权；cookie
直接发送post请求,获取cookie

上面只是简单的描述，下面是详细的针对两种登录方式的时候爬虫的处理方法

第一种情况

这种例子其实也比较多，现在很多网站的登录都是第一种的方法，这里通过以github为例子：

分析页面

获取authenticity_token信息

我们都知道登录页面这里都是一个form表单提交，我可以可以通过谷歌浏览器对其进行分析

如上图我们找到了这个token信息所以我们在登录之前应该先通过代码访问这个登录页面获取这个authenticity_token信息

获取登陆页面的cookie信息

set-cookie这里是登录页面的cookie

分析登录包获取提交地址

当我们输入用户名和密码之后点击提交，我们可以从包里找到如上图的地址，就是post请求提交form的信息请求的地址：https://github.com/session 请求的参数有： "commit": "Sign in", "utf8":"✓", "authenticity_token":“KM6Q0mM9FtI95wYsI/WU3BnaMbYrmV60c0YTQlZjBuAuYa193LP2Gd8BTCmQBSFvPFZRlk3/1TFOnOgGUdy7Ig==”, "login":"hjzhaofan@163.com", "password":"123"

从这里我们也可以看出提交参数中的“authenticity_token”，而这个参数就是需要我们从登陆页面先获取到。当我们登录成功后：

再次访问github，这个时候cookie里就增加了两个cookie信息，而这个信息是登录后在增加的信息所以如果我们想要通过程序登录，我们就需要在登录成功后再次获取cookie信息然后通过这个cookie去访问我们github的其他信息例如我们的个人信息设置页面： https://github.com/settings/profile

代码实现

下面代码实现了登录并访问https://github.com/settings/repositories

import requests
from bs4 import BeautifulSoup

Base_URL = "https://github.com/login"
Login_URL = "https://github.com/session"

def get_github_html(url):
    '''
    这里用于获取登录页的html，以及cookie
    :param url: https://github.com/login
    :return: 登录页面的HTML,以及第一次的cooke
    '''
    response = requests.get(url)
    first_cookie = response.cookies.get_dict()
    return response.text,first_cookie



def get_token(html):
    '''
    处理登录后页面的html
    :param html:
    :return: 获取csrftoken
    '''
    soup = BeautifulSoup(html,'lxml')
    res = soup.find("input",attrs={"name":"authenticity_token"})
    token = res["value"]
    return token


def gihub_login(url,token,cookie):
    '''
    这个是用于登录
    :param url: https://github.com/session
    :param token: csrftoken
    :param cookie: 第一次登录时候的cookie
    :return: 返回第一次和第二次合并后的cooke
    '''

    data= {
        "commit": "Sign in",
        "utf8":"✓",
        "authenticity_token":token,
        "login":"你的github账号",
        "password":"*****"
    }
    response = requests.post(url,data=data,cookies=cookie)
    print(response.status_code)
    cookie = response.cookies.get_dict()
    #这里注释的解释一下，是因为之前github是通过将两次的cookie进行合并的
    #现在不用了可以直接获取就行
    # cookie.update(second_cookie)
    return cookie


if __name__ == '__main__':
    html,cookie = get_github_html(Base_URL)
    token = get_token(html)
    cookie = gihub_login(Login_URL,token,cookie)
    response = requests.get("https://github.com/settings/repositories",cookies=cookie)
    print(response.text)

第二种情况

这里通过伯乐在线为例子，这个相对于第一种就比较简单了，没有太多的分析过程直接发送post请求，然后获取cookie,通过cookie去访问其他页面,下面直接是代码实现例子： http://www.jobbole.com/bookmark/ 这个地址是只有登录之后才能访问的页面，否则会直接返回登录页面

这里说一下：http://www.jobbole.com/wp-admin/admin-ajax.php是登录的请求地址这个可以在抓包里可以看到

import requests
def login():
    url = "http://www.jobbole.com/wp-admin/admin-ajax.php"
    data = {
        "action": "user_login",
        "user_login":"zhaofan1015",
        "user_pass": '******',
    }
    response = requests.post(url,data)
    cookie = response.cookies.get_dict()
    print(cookie)
    url2 ="http://www.jobbole.com/bookmark/"
    response2 = requests.get(url2,cookies=cookie)
    print(response2.text)

login()

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2017-08-04 ，如有侵权请联系 cloudcommunity@tencent.com 删除

python