快捷導(dǎo)航

Scrapy實(shí)現(xiàn)模擬登錄的示例代碼

更新時(shí)間：2021年02月21日 08:59:47 作者：pengjunlee

這篇文章主要介紹了Scrapy實(shí)現(xiàn)模擬登錄的示例代碼，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

為什么要模擬登錄

有些網(wǎng)站是需要登錄之后才能訪問(wèn)的，即便是同一個(gè)網(wǎng)站，在用戶登錄前后頁(yè)面所展示的內(nèi)容也可能會(huì)大不相同，例如，未登錄時(shí)訪問(wèn)Github首頁(yè)將會(huì)是以下的注冊(cè)頁(yè)面：

然而，登錄后訪問(wèn)Github首頁(yè)將包含如下頁(yè)面內(nèi)容：

如果我們要爬取的是一些需要登錄之后才能訪問(wèn)的頁(yè)面數(shù)據(jù)就需要模擬登錄了。通常我們都是利用的 Cookies 來(lái)實(shí)現(xiàn)模擬登錄，在Scrapy中，模擬登陸網(wǎng)站一般有如下兩種實(shí)現(xiàn)方式：

(1) 請(qǐng)求時(shí)攜帶Cookies

(2) 發(fā)送Post請(qǐng)求獲取Cookies

請(qǐng)求時(shí)攜帶Cookies

對(duì)于一些Cookies過(guò)期時(shí)間很長(zhǎng)的不規(guī)范網(wǎng)站，如果我們能夠在Cookies過(guò)期之前爬取到所有我們想要的數(shù)據(jù)，可以考慮在請(qǐng)求時(shí)直接將Cookies信息帶上來(lái)模擬用戶登錄。

以下是模擬登錄Github的示例代碼：

# -*- coding: utf-8 -*-
import scrapy
import re
 
class TmallLoginSpider(scrapy.Spider):
  name = 'github_login3'
  allowed_domains = ['github.com']
  start_urls = ['https://github.com/']
 
  def start_requests(self): # 請(qǐng)求時(shí)攜帶Cookies
    cookies = '_ga=GA1.2.363045452.1554860671; tz=Asia%2FShanghai; _octo=GH1.1.1405577398.1554860677; _device_id=ee3ff12512668a1f9dc6fb33e388ea20; ignored_unsupported_browser_notice=false; has_recent_activity=1; user_session=5oxrsfsZCor1iJFCgRXXyeAXd8hcmzEUGh70-xHWLjQkT62Q; __Host-user_session_same_site=5oxrsfsZCor1iJFCgRXXyeAXd8hcmzEUGh70-xHWLjQkT62Q; logged_in=yes; dotcom_user=pengjunlee; _gat=1'
    cookies = {i.split('=')[0]: i.split('=')[1] for i in cookies.split('; ')}
    yield scrapy.Request(self.start_urls[0], cookies=cookies)
    
  def parse(self, response): # 驗(yàn)證是否請(qǐng)求成功
    print(re.findall('Learn Git and GitHub without any code!',response.body.decode()))

執(zhí)行爬蟲后，后臺(tái)部分日志截圖如下：

發(fā)送Post請(qǐng)求模擬登錄

Scrapy還提供了兩種通過(guò)發(fā)送Post請(qǐng)求來(lái)獲取Cookies的方法。

scrapy.FormRequest()

使用scrapy.FormRequest()發(fā)送Post請(qǐng)求實(shí)現(xiàn)模擬登陸，需要人為找出登錄請(qǐng)求的地址以及構(gòu)造出登錄時(shí)所需的請(qǐng)求數(shù)據(jù)。

使用scrapy.FormRequest()模擬登錄Github的示例代碼：

# -*- coding: utf-8 -*-
import scrapy
import re
 
class GithubLoginSpider(scrapy.Spider):
  name = 'github_login'
  allowed_domains = ['github.com']
  start_urls = ['https://github.com/login']
 
  def parse(self, response): # 發(fā)送Post請(qǐng)求獲取Cookies
    authenticity_token = response.xpath('//input[@name="authenticity_token"]/@value').extract_first()
    utf8 = response.xpath('//input[@name="utf8"]/@value').extract_first()
    commit = response.xpath('//input[@name="commit"]/@value').extract_first()
    form_data = {
      'login': 'pengjunlee@163.com',
      'password': '123456',
      'webauthn-support': 'supported',
      'authenticity_token': authenticity_token,
      'utf8': utf8,
      'commit': commit}
    yield scrapy.FormRequest("https://github.com/session", formdata=form_data, callback=self.after_login)
 
  def after_login(self, response): # 驗(yàn)證是否請(qǐng)求成功
    print(re.findall('Learn Git and GitHub without any code!', response.body.decode()))

從后臺(tái)日志不難看出，Scrapy 在請(qǐng)求完 https://github.com/session 后,自動(dòng)幫我們重定向到了Github首頁(yè)。

scrapy.FormRequest.from_response()

scrapy.FormRequest.from_response()使用起來(lái)比 scrapy.FormRequest()更加簡(jiǎn)單方便，我們通常只需要提供用戶相關(guān)信息（賬戶和密碼）即可，scrapy.FormRequest.from_response()將通過(guò)模擬點(diǎn)擊為我們填充好其他的表單字段并提交表單。

使用scrapy.FormRequest.from_response()模擬登錄Github的示例代碼：

# -*- coding: utf-8 -*-
import scrapy
import re
 
class GithubLogin2Spider(scrapy.Spider):
  name = 'github_login2'
  allowed_domains = ['github.com']
  start_urls = ['https://github.com/login']
 
  def parse(self, response): # 發(fā)送Post請(qǐng)求獲取Cookies
    form_data = {
      'login': 'pengjunlee@163.com',
      'password': '123456'
    }
    yield scrapy.FormRequest.from_response(response,formdata=form_data,callback=self.after_login)
 
  def after_login(self,response): # 驗(yàn)證是否請(qǐng)求成功
    print(re.findall('Learn Git and GitHub without any code!',response.body.decode()))

scrapy.FormRequest.from_response()方法還可以傳入其他參數(shù)來(lái)幫我們更加精確的指定表單元素：

'''
response (Response object) – 包含表單HTML的響應(yīng)，將用來(lái)對(duì)表單的字段進(jìn)行預(yù)填充
formname (string) – 如果設(shè)置了該值，name 等于該值的表單將被使用
formid (string) – 如果設(shè)置了該值，id 等于該值的表單將被使用
formxpath (string) – 如果設(shè)置了該值，匹配該 xpath 的第一個(gè)表單將被使用
formcss (string) – 如果設(shè)置了該值，匹配該 css選擇器的第一個(gè)表單將被使用
formnumber (integer) – 索引值等于該值的表單將被使用，默認(rèn)第一個(gè)（索引值為 0 ）
formdata (dict) – 傳入的表單數(shù)據(jù)，將覆蓋form 元素中已經(jīng)存在的值
clickdata (dict) – 用于查找可點(diǎn)擊控件的屬性值
dont_click (boolean) – 如果設(shè)置為 True，將不點(diǎn)擊任何元素，直接提交表單數(shù)據(jù)
'''