1 Scrapy 爬虫模拟登陆策略
前面学习了爬虫的很多知识，都是分析 HTML、json 数据，有很多的网站为了反爬虫，除了需要高可用代理 IP 地址池外，还需要登录，登录的时候不仅仅需要输入账户名和密码，而且有可能验证码，下面就介绍 Scrapy 爬虫模拟登陆的几种策略。
1.1 策略一：直接POST请求登录
前面介绍的爬虫 scrapy 的基本请求流程是 start_request 方法遍历 start_urls 列表，然后 make_requests_from_url方法，里面执行 Request 方法，请求 start_urls 里面的地址，使用的是 GET 方法，由于直接使用用户名和密码可以登录，使用 POST 方法进行登录。
例子：人人网登录
登录地址：http://www.renren.com/PLogin.do
案例步骤：
第一步：创建项目。
在 dos下切换到目录
D:\scrapy_project
新建一个新的爬虫项目：scrapy startproject renren
第二步:创建爬虫。
在 dos下切换到目录。
D:\scrapy_project\renren\renren\spiders
用命令 scrapy genspider renren1 " renren.com" 创建爬虫。
第三步: 通过浏览器登录人人网，使用 fiddler 抓包抓取登录 post 请求的 data。
第四步:编写爬虫文件。
import scrapy
# 登录只需要提供 post 数据就可以登录的，就可以用这种方法，
# 下面示例：post 数据是账户密码
class Renren1Spider(scrapy.Spider):
name = "renren1"
allowed_domains = ["renren.com"]
def start_requests(self):
url = \'http://www.renren.com/PLogin.do\'
# FormRequest 是 Scrapy 发送 POST 请求的方法
yield scrapy.FormRequest(
url = url,
formdata = {"email" : "13554799060", "password" : "xny123"},
callback = self.parse_page)
# 回调方法，对返回的 response 进行处理（把response.body保存到 xiao.html 中）
def parse_page(self, response):
with open("xiao.html", "wb") as filename:
filename.write(response.body)
第五步:修改 settings 文件。
设置爬虫请求的默认头信息。
第六步:运行爬虫。
在 dos下切换到目录
D:\scrapy_project\renren\renren 下
通过命令运行爬虫 ：scrapy crawl renren1
第七步:查看结果。
xiao.html 中显示的内容正是登录自己人人网之后的主页内容，说明登录成功。
1.2 策略二：标准的模拟登陆
标准的模拟登录方法：
1、首先发送登录页面的 get 请求，获取到页面里的登录必须的参数。
2、登录必须的参数和账户密码一起 post 到服务器，登录成功。
23.2.1 Cookie原理
HTTP 是无状态的面向连接的协议, 为了保持连接状态, 标准的模拟登陆案例引入了 Cookie 机制。
Cookie 是 http 消息头中的一种属性，包括：
.Cookie 名字（Name）Cookie 的值（Value）
.Cookie 的过期时间（Expires/Max-Age）
.Cookie 作用路径（Path）
.Cookie 所在域名（Domain），使用 Cookie 进行安全连接（Secure）。
前两个参数是 Cookie 应用的必要条件，另外，还包括 Cookie 大小（ Size，不同浏览器对Cookie 个数及大小限制是有差异的 ）。
23.2.2 模拟登陆
爬取的网站：github (https://github.com/login)
案例步骤：
第一步：爬取前分析。
打开 fiddler，接着我们打开 github 的登陆页面（https://github.com/login ），输入用户名、密码（ 输入错误的密码 ），提交查看 fiddler 获取的信息，结果入下：
输入用户名和错误密码获取的 fiddler 结果：
我们用 google 浏览器看源码也可以看到 form 提交时会加入 authenticity_token 参数一起，如下图：
第二步：创建项目。
在 dos下切换到目录
D:\scrapy_project
新建一个新的爬虫项目：scrapy startproject github
第三步:创建爬虫。
在 dos下切换到目录。
D:\scrapy_project\github\github\spiders
用命令 scrapy genspider gh "github.com" 创建爬虫。
第四步: 开始前的准备工作。
（一）、在 scrapy.cfg 同级目录下创建 pycharm 调试脚本 run.py，内容如下：
# -*- coding: utf-8 -*-
from scrapy import cmdline
cmdline.execute("scrapy crawl github".split())
(二)修改 settings 中的 ROBOTSTXT_OBEY = True 参数为 False,因为默认为 True，就是要遵守 robots.txt 的规则， robots.txt 是遵循 Robot协议 的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，本网站哪些目录下的网页不希望你进行爬取收录。在 Scrapy 启动后，会在第一时间访问网站的 robots.txt 文件，然后决定该网站的爬取范围。查看 robots.txt 可以直接网址后接 robots.txt 即可。
例如百度：https://www.baidu.com/robots.txt
修改 settings 文件。
（三）模拟登陆时，必须保证 settings.py 里的 COOKIES_ENABLED (Cookies中间件) 处于开启状态。
COOKIES_ENABLED = True
第五步:编写爬虫文件-获取 authenticity_token。
首先要打开登陆页面，获取 authenticity_token，代码如下：
import scrapy
class GithubSpider(scrapy.Spider):
name = \'gh\'
allowed_domains = [\'github.com\']
def start_requests(self):
urls = [\'https://github.com/login\']
for url in urls:
# 重写 start_requests 方法，通过 meta 传入特殊 key cookiejar，爬取 url 作为参数传给回调函数
yield scrapy.Request(url, meta={\'cookiejar\': 1}, callback=self.github_login)
def github_login(self, response):
# 首先获取authenticity_token,这里可以借助scrapy shell ”url“来获取页面
# 然后从源码中获取到authenticity_token的值
authenticity_token = response.xpath("//input[@name=\'authenticity_token\']/@value").extract_first()
# 利用 scrapy 内置 logger 打印 info 信息
self.logger.info(\'authenticity_token=\'+ authenticity_token)
pass
运行结果：
通过运行的结果，可以看到我们已经获取了 authenticity_token 的值，这一步重点要说明meta、cookiejar 和 logger。
【meta】：字典格式的元数据，可以传递给下一个函数 meta。
【cookiejar】：是 meta 的一个特殊的key，通过 cookiejar 参数可以支持多个会话对某网站进行爬取，可以对 cookie 做标记，1,2,3,4......这样 scrapy 就维持了多个会话；
【logger】:scrapy 为每个 spider 实例内置的日志记录器。
为了能使用同一个状态持续的爬取网站, 就需要保存cookie, 使用cookie保存状态, Scrapy 提供了 cookie 处理的中间件, 可以直接拿来使用，Scrapy 官方的文档中给出了下面的代码范例 :
for i, url in enumerate(urls):
yield scrapy.Request("http://www.example.com", meta={\'cookiejar\': i},
callback=self.parse_page)
def parse_page(self, response):
# do some processing
return scrapy.Request("http://www.example.com/otherpage",
meta={\'cookiejar\': response.meta[\'cookiejar\']},
callback=self.parse_other_page)
第六步:修改爬虫文件- FormRequest（登录表单提交）
Scrapy 提供了 FormRequest 类，是 Request 类的扩展，专门用来进行 Form 表单提交。我们主要使用 FormRequest.from_response()方法来模拟简单登陆，通过FormRequest.from_response 提交后，交给回调函数处理。代码如下：
import scrapy
class GithubSpider(scrapy.Spider):
name = \'gh\'
allowed_domains = [\'github.com\']
def start_requests(self):
urls = [\'https://github.com/login\']
for url in urls:
# 重写 start_requests 方法，通过 meta 传入特殊 key cookiejar，爬取 url 作为参数传给回调函数
yield scrapy.Request(url, meta={\'cookiejar\': 1}, callback=self.github_login)
def github_login(self, response):
# 首先获取authenticity_token,这里可以借助scrapy shell ”url“来获取页面
# 然后从源码中获取到authenticity_token的值
authenticity_token = response.xpath("//input[@name=\'authenticity_token\']/@value").extract_first()
# 利用 scrapy 内置 logger 打印 info 信息
self.logger.info(\'authenticity_token=\'+ authenticity_token)
# url 可以从 fiddler 抓取中获取,dont_click 作用是如果是 True，表单数据将被提交，而不需要单击任何元素。
return scrapy.FormRequest.from_response(
response,
url=\'https://github.com/session\',
meta = {\'cookiejar\': response.meta[\'cookiejar\']},
headers = self.headers,
formdata = {\'utf8\':\'?\',
\'authenticity_token\': authenticity_token,
\'login\': \'xxxxxx@qq.com\',
\'password\': \'xxxxxx\'},
callback = self.github_after,
dont_click = True,
)
第七步:修改爬虫文件- 伪装头部。
为了更真实的模拟浏览器登陆网站，需要进行头部伪装， 在 scrapy 中 Request 和 FormRequest 初始化的时候都有一个 headers 字段, 可以自定义头部, 这样我们可以添加 headers 字段。
# 头信息直接从 fiddler 中复制出来
headers = {
"Connection": "keep-alive",
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.111 Safari/537.36",
"Referer": "https: // github.com /",
"Content - Type": "application / x - www - form - urlencoded",
}
第八步:修改爬虫文件- 增加回调函数，主要是登陆成功之后，获取登录之后返回的页面（response）的元素进行断言，验证登录结果。
登录之后，主页如下：
# 回调函数
def github_after(self, response):
# 获取登录页面主页中的字符串\'Browse activity\'
list = response.xpath("//a[@class=‘tabnav-tab selected‘]/text()").extract()
# 如果含有字符串，则打印日志说明登录成功
if \'Browse activity\' in list:
self.logger.info(\'我已经登录成功了，这是我获取的关键字：Browse activity\')
else:
self.logger.error(\'登录失败\')
第九步:整理完整的爬虫文件
import scrapy
class GithubSpider(scrapy.Spider):
name = \'gh\'
allowed_domains = [\'github.com\']
# 头信息直接从 fiddler 中复制出来
headers = {
"Connection": "keep-alive",
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.111 Safari/537.36",
"Referer": "https: // github.com /",
"Content - Type": "application / x - www - form - urlencoded",
}
def start_requests(self):
urls = [\'https://github.com/login\']
for url in urls:
# 重写 start_requests 方法，通过 meta 传入特殊 key cookiejar，爬取 url 作为参数传给回调函数
yield scrapy.Request(url, meta={\'cookiejar\': 1}, callback=self.github_login)
def github_login(self, response):
# 首先获取authenticity_token,这里可以借助scrapy shell ”url“来获取页面
# 然后从源码中获取到authenticity_token的值
authenticity_token = response.xpath("//input[@name=\'authenticity_token\']/@value").extract_first()
# 利用 scrapy 内置 logger 打印 info 信息
self.logger.info(\'authenticity_token=\'+ authenticity_token)
# url 可以从 fiddler 抓取中获取,dont_click 作用是如果是 True，表单数据将被提交，而不需要单击任何元素。
return scrapy.FormRequest.from_response(
response,
url=\'https://github.com/session\',
meta = {\'cookiejar\': response.meta[\'cookiejar\']},
headers = self.headers,
formdata = {\'utf8\':\'?\',
\'authenticity_token\': authenticity_token,
\'login\': \'55666727@qq.com\',
\'password\': \'xny8816056\'},
callback = self.github_after,
dont_click = True,
)
# 回调函数
def github_after(self, response):
# 获取登录页面主页中的字符串\'Browse activity\'
list = response.xpath("//a[@class=‘tabnav-tab selected‘]/text()").extract()
# 如果含有字符串，则打印日志说明登录成功
if \'Browse activity\' in list:
self.logger.info(\'我已经登录成功了，这是我获取的关键字：Browse activity\')
else:
self.logger.error(\'登录失败\')
第十步:查看运行的结果。
通过运行的结果说明登录成功。
1.3 策略三：直接使用保存登陆状态的 Cookie 模拟登陆
如果实在没办法了，可以用策略三这种方法模拟登录，虽然麻烦一点，但是成功率100%。
案例步骤：
第一步：创建项目。
在 dos下切换到目录
D:\scrapy_project
新建一个新的爬虫项目：scrapy startproject renren2
第二步:创建爬虫。
在 dos下切换到目录。
D:\scrapy_project\renren2\renren2\spiders
用命令 scrapy genspider ren2 "renren.com" 创建爬虫。
第三步: 通过浏览器登录人人网，使用 fiddler 抓包抓取登录后的Cookis。
第四步: 开始前的准备工作。
（一）、在 scrapy.cfg 同级目录下创建 pycharm 调试脚本 run.py，内容如下：
# -*- coding: utf-8 -*-
from scrapy import cmdline
cmdline.execute("scrapy crawl renren".split())
(二)修改 settings 中的 ROBOTSTXT_OBEY = True 参数为 False,因为默认为 True，就是要遵守 robots.txt 的规则， robots.txt 是遵循 Robot协议 的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，本网站哪些目录下的网页不希望你进行爬取收录。在 Scrapy 启动后，会在第一时间访问网站的 robots.txt 文件，然后决定该网站的爬取范围。查看 robots.txt 可以直接网址后接 robots.txt 即可。
修改 settings 文件。
（三）模拟登陆时，必须保证 settings.py 里的 COOKIES_ENABLED ( Cookies 中间件) 处于开启状态。
COOKIES_ENABLED = True
第五步: 编写爬虫文件。
import scrapy
class RenrenSpider(scrapy.Spider):
name = "renren"
allowed_domains = ["renren.com"]
Cookies = {
"anonymid": "jlvxr345k9ondn",
"wp_fold": "0",
"depovince": "GW",
"jebecookies": "3af719cc-f819-4493-bcb6-c967fc59f04a|||||",
"_r01_": "1",
"JSESSIONID": "abcwnUubDsWO467i0mgxw",
"ick_login":"27af5597-30d7-469c-b7c4-184a6e335fcb",
"jebe_key":"d1f5682d-03b4-46cd-87c0-dc297525ed11%7Ccfcd208495d565ef66e7dff9f98764da%7C1536628574466%7C0%7C1536628572944",}
# 可以重写 Spider 类的 start_requests 方法，附带 Cookie 值，发送 POST 请求
def start_requests(self):
url = \'http://www.renren.com/PLogin.do\'
# FormRequest 是 Scrapy 发送 POST 请求的方法
yield scrapy.FormRequest(url, cookies = self.Cookies, callback = self.parse_page)
# 处理响应内容
def parse_page(self, response):
print("===========" + response.url)
with open("xiao2.html", "wb") as filename:
filename.write(response.body)
第六步: 运行程序，查看运行结果。
Xiao2.html 中显示的内容正是登录自己人人网之后的主页内容，说明登录成功。
----------------------------------
个人今日头条账号： 听海8 （上面上传了很多相关学习的视频以及我书里的文章，大家想看视频，可以关注我的今日头条）
