在做爬蟲時，遇到需要登陸的問題也比較常見，比如寫腳本搶票之類的，但凡需要個人信息的都需要登陸，對於這類問題主要有兩種解決方式：一種方式是手動設置 cookie ，就是先在網站上面登錄，複製登陸後的 cookies ，在爬蟲程序中手動設置 HTTP 請求中的 Cookie 屬性，這種方式適用於採集頻次不高、採集週期短，因爲 cookie 會失效，如果長期採集的話就需要頻繁設置 cookie，這不是一種可行的辦法，第二種方式就是使用程序模擬登陸，通過模擬登陸獲取到 cookies，這種方式適用於長期採集該網站，因爲每次採集都會先登陸，這樣就不需要擔心 cookie 過期的問題。
爲了能讓大家更好的理解這兩種方式的運用，我以獲取豆瓣個人主頁暱稱爲例，分別用這兩種方式來獲取需要登陸後才能看到的信息。獲取信息如下圖所示：
獲取圖片中的缺心眼那叫單純，這個信息顯然是需要登陸後才能看到的，這就符合我們的主題啦。接下來分別用上面兩種辦法來解決這個問題。
手動設置 cookie
手動設置 cookie 的方式，這種方式比較簡單，我們只需要在豆瓣網上登陸，登陸成功後就可以獲取到帶有用戶信息的cookie，豆瓣網登錄鏈接：https://accounts.douban.com/passport/login。如下圖所示：
圖中的這個 cookie 就攜帶了用戶信息，我們只需要在請求時攜帶這個 cookie 就可以查看到需要登陸後才能查看到的信息。我們用 Jsoup 來模擬一下手動設置 cookie 方式，具體代碼如下：
/**
* 手動設置 cookies
* 先從網站上登錄，然後查看 request headers 裏面的 cookies
* @param url
* @throws IOException
*/
public void setCookies(String url) throws IOException {
Document document = Jsoup.connect(url)
// 手動設置cookies
.header("Cookie", "your cookies")
.get();
//
if (document != null) {
// 獲取豆瓣暱稱節點
Element element = document.select(".info h1").first();
if (element == null) {
System.out.println("沒有找到 .info h1 標籤");
return;
}
// 取出豆瓣節點暱稱
String userName = element.ownText();
System.out.println("豆瓣我的網名爲：" + userName);
} else {
System.out.println("出錯啦！！！！！");
}
}
從代碼中可以看出跟不需要登陸的網站沒什麼區別，只是多了一個.header("Cookie", "your cookies")，我們把瀏覽器中的 cookie 複製到這裏即可，編寫 main 方法
public static void main(String[] args) throws Exception {
// 個人中心url
String user_info_url = "https://www.douban.com/people/150968577/";
new CrawleLogin().setCookies(user_info_url);
運行 main 得到結果如下：
可以看出我們成功獲取到了缺心眼那叫單純，這說明我們設置的 cookie 是有效的，成功的拿到了需要登陸的數據。這種方式是真的比較簡單，唯一的不足就是需要頻繁的更換 cookie，因爲 cookie 會失效，這讓你使用起來就不是很爽啦。
模擬登陸方式
模擬登陸的方式可以解決手動設置 cookie 方式的不足之處，但同時也引入了比較複雜的問題，現在的驗證碼形形色色、五花八門，很多都富有挑戰性，比如在一堆圖片中操作某類圖片，這個還是非常有難度，不是隨便就能夠編寫出來。所以對於使用哪種方式這個就需要開發者自己去衡量利弊啦。今天我們用到的豆瓣網，在登陸的時候就沒有驗證碼，對於這種沒有驗證碼的還是比較簡單的，關於模擬登陸方式最重要的就是找到真正的登陸請求、登陸需要的參數。 這個我們就只能取巧了，我們先在登陸界面輸入錯誤的賬號密碼，這樣頁面將不會跳轉，所以我們就能夠輕而易舉的找到登陸請求。我來演示一下豆瓣網登陸查找登陸鏈接，我們在登陸界面輸入錯誤的用戶名和密碼，點擊登陸後，在 network 查看發起的請求鏈接，如下圖所示：
從 network 中我們可以查看到豆瓣網的登陸鏈接爲https://accounts.douban.com/j/mobile/login/basic，需要的參數有五個，具體參數查看圖中的 Form Data，有了這些之後，我們就能夠構造請求模擬登陸啦。登陸後進行後續操作，接下來我們就用 Jsoup 來模擬登陸到獲取豆瓣主頁暱稱，具體代碼如下：
/**
* Jsoup 模擬登錄豆瓣 訪問個人中心
* 在豆瓣登錄時先輸入一個錯誤的賬號密碼，查看到登錄所需要的參數
* 先構造登錄請求參數，成功後獲取到cookies
* 設置request cookies，再次請求
* @param loginUrl 登錄url
* @param userInfoUrl 個人中心url
* @throws IOException
*/
public void jsoupLogin(String loginUrl,String userInfoUrl) throws IOException {
// 構造登陸參數
Map<String,String> data = new HashMap<>();
data.put("name","your_account");
data.put("password","your_password");
data.put("remember","false");
data.put("ticket","");
data.put("ck","");
Connection.Response login = Jsoup.connect(loginUrl)
.ignoreContentType(true) // 忽略類型驗證
.followRedirects(false) // 禁止重定向
.postDataCharset("utf-8")
.header("Upgrade-Insecure-Requests","1")
.header("Accept","application/json")
.header("Content-Type","application/x-www-form-urlencoded")
.header("X-Requested-With","XMLHttpRequest")
.header("User-Agent","Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36")
.data(data)
.method(Connection.Method.POST)
.execute();
login.charset("UTF-8");
// login 中已經獲取到登錄成功之後的cookies
// 構造訪問個人中心的請求
Document document = Jsoup.connect(userInfoUrl)
// 取出login對象裏面的cookies
.cookies(login.cookies())
.get();
if (document != null) {
Element element = document.select(".info h1").first();
if (element == null) {
System.out.println("沒有找到 .info h1 標籤");
return;
}
String userName = element.ownText();
System.out.println("豆瓣我的網名爲：" + userName);
} else {
System.out.println("出錯啦！！！！！");
}
}
這段代碼分兩段，前一段是模擬登陸，後一段是解析豆瓣主頁，在這段代碼中發起了兩次請求，第一次請求是模擬登陸獲取到 cookie，第二次請求時攜帶第一次模擬登陸後獲取的cookie，這樣也可以訪問需要登陸的頁面，修改 main 方法
public static void main(String[] args) throws Exception {
// 個人中心url
String user_info_url = "https://www.douban.com/people/150968577/";
// 登陸接口
String login_url = "https://accounts.douban.com/j/mobile/login/basic";
// new CrawleLogin().setCookies(user_info_url);
new CrawleLogin().jsoupLogin(login_url,user_info_url);
}
運行 main 方法，得到如下結果：
模擬登陸的方式也成功的獲取到了網名缺心眼那叫單純，雖然這已經是最簡單的模擬登陸啦，從代碼量上就可以看出它比設置 cookie 要複雜很多，對於其他有驗證碼的登陸，我就不在這裏介紹了，第一是我在這方面也沒什麼經驗，第二是這個實現起來比較複雜，會涉及到一些算法和一些輔助工具的使用，有興趣的朋友可以參考崔慶才老師的博客研究研究。模擬登陸寫起來雖然比較複雜，但是隻要你編寫好之後，你就能夠一勞永逸，如果你需要長期採集需要登陸的信息，這個還是值得你的做的。
除了使用 jsoup 模擬登陸外，我們還可以使用 httpclient 模擬登陸，httpclient 模擬登陸沒有 Jsoup 那麼複雜，因爲 httpclient 能夠像瀏覽器一樣保存 session 會話，這樣登陸之後就保存下了 cookie ，在同一個 httpclient 內請求就會帶上 cookie 啦。httpclient 模擬登陸代碼如下：
/**
* httpclient 的方式模擬登錄豆瓣
* httpclient 跟jsoup差不多，不同的地方在於 httpclient 有session的概念
* 在同一個httpclient 內不需要設置cookies ，會默認緩存下來
* @param loginUrl
* @param userInfoUrl
*/
public void httpClientLogin(String loginUrl,String userInfoUrl) throws Exception{
CloseableHttpClient httpclient = HttpClients.createDefault();
HttpUriRequest login = RequestBuilder.post()
.setUri(new URI(loginUrl))// 登陸url
.setHeader("Upgrade-Insecure-Requests","1")
.setHeader("Accept","application/json")
.setHeader("Content-Type","application/x-www-form-urlencoded")
.setHeader("X-Requested-With","XMLHttpRequest")
.setHeader("User-Agent","Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36")
// 設置賬號信息
.addParameter("name","your_account")
.addParameter("password","your_password")
.addParameter("remember","false")
.addParameter("ticket","")
.addParameter("ck","")
.build();
// 模擬登陸
CloseableHttpResponse response = httpclient.execute(login);
if (response.getStatusLine().getStatusCode() == 200){
// 構造訪問個人中心請求
HttpGet httpGet = new HttpGet(userInfoUrl);
CloseableHttpResponse user_response = httpclient.execute(httpGet);
HttpEntity entity = user_response.getEntity();
//
String body = EntityUtils.toString(entity, "utf-8");
// 偷個懶，直接判斷 缺心眼那叫單純 是否存在字符串中
System.out.println("缺心眼那叫單純是否查找到？"+(body.contains("缺心眼那叫單純")));
}else {
System.out.println("httpclient 模擬登錄豆瓣失敗了!!!!");
}
}
運行這段代碼，返回的結果也是 true。
有關 Java 爬蟲遇到登陸問題就聊得差不多啦，來總結一下：對於爬蟲遇到登陸問題有兩種解決辦法，一種是手動設置cookie，這種方式適用於短暫性採集或者一次性採集，成本較低。另一種方式是模擬登陸的方式，這種方式適用於長期採集的網站，因爲模擬登陸的代價還是蠻高的，特別是一些變態的驗證碼，好處就是能夠讓你一勞永逸
以上就是 Java 爬蟲時遇到登陸問題相關知識分享，希望對你有所幫助，下一篇是關於爬蟲是遇到數據異步加載的問題。如果你對爬蟲感興趣，不妨關注一波，相互學習，相互進步
源代碼：源代碼
文章不足之處，望大家多多指點，共同學習，共同進步