如何用Python爬蟲實現模擬知乎登錄

本篇內容介紹了“如何用Python爬蟲實現模擬知乎登錄”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

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，讓服務器知道當前是和哪個客戶在打交道，Cookie 技術出現了 ，Cookie 相當于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. 服務器把 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服務器返回的 Cookie 信息一起發送給服務器

4. 服務器收到HTTP請求，發現請求頭中有Cookie字段， 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后即可登錄。當然，這只是我們眼中看到的現象。而背后隱藏的技術細節就需要借助瀏覽器來挖掘了。現在我們就用 Chrome 來查看當我們填完表單后，究竟發生了什么？

（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 是什么？如果你對CSRF（跨站請求偽造）攻擊非常熟悉的話，那么你一定知道它的作用，xsrf是一串偽隨機數，它是用于防止跨站請求偽造的。它一般存在網頁的 form 表單標簽中，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 標簽中

摸清了瀏覽器登錄時所需要的數據是如何獲取之后，那么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==4.5.3
pip install requests==2.13.0

http.cookiejar 模塊可用于自動處理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加載。

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 文件中加載 cookie信息，因為首次運行還沒有cookie，所有會出現 LoadError 異常。

from http import cookiejar
session = 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 所在的標簽，，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 接口返回的，這里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后，就可以請求登錄接口了。

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()

請求成功后，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。

“如何用Python爬蟲實現模擬知乎登錄”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！