這段時間在研究如何破解官網驗證碼,然後進行下一步的爬蟲操作,然而一個多星期過去了,編寫的代碼去識別驗證碼的效率還是很低,嘗試用了tesserorc庫和百度的API接口,都無濟於事,本以爲追不上五月的小尾巴,突然想到我嘗試了這麼多方法何不爲一篇破坑博客呢。
現在很多官網都會給出相應的反扒措施,就拿這個登入來說,如果你不登入賬號那麼你就只能獲取微量的信息,甚至獲取不了信息,這對我們爬蟲來說是非常不友好的,但是我們總不可能每次都需要手動登入吧,一次二次你能接受,大工程呢?既然學了python,而不爲用腳本代碼幫你做這點事情呢?
模擬登入:
圖爲簡書登入模塊:
不同方式優缺點對比:
突然想到一種可能更簡單的方式,所以整理得三,不同情況參考不同用法!
如下:
方式 | 優點 | 缺點 |
---|---|---|
requests的auth參數 | 極簡 | 出現的次數很少 |
requests的session會話 | 維持cookies一致 | 需要構造一定參數 |
selenium自動化 | 最強的模擬登入 | 安裝複雜,庫名太多 |
以上就是三大登入的優缺點,個人推薦使用session去嘗試模擬登入!
方式一: requests的auth參數:
- 這個是我無意在書上看到的。關於requests的高級用法中,提到了這點,這裏就記錄一下,個人覺得這種方式只可能出現在
某網站
中,學了也挺好的,省的限制觀看次數,後續我也會更新如何破解vip視頻的思路,有需要的關注我
。
使用類似場所:
用法很簡單,代碼如下:
# parasm: url : 網站
# parasm: username: 用戶名
# parasm: password : 密碼
import requests
url = '********'
r = requests.get(url, anth=('username', 'password'))
print(r.text)
還是一句話,這種方式極大可能出現在某網站
中,其他情況基本不可能出現,那麼就得使用下面二種方式了。
方式一: requests高級用法擴展:
-
相信很多人看書都不看全的,很多細節都在書中呢,下面擴展幾種requests庫的高級用法,很好用的東西。
-
超時處理:
某網站
服務器搭建在國外,加載巨慢。代碼可能拋出timeout : xxxx
等情況,這個時候用它:
r = requests.get(url , timeout=30)
- 文件上傳: 假如某網站需要上傳文件,那麼就使用它:
files = {'file': open('img.jpg', 'rb')}
r = requests.get(url, files=files)
print(r.text)
- cookies設置: headers這個很多人都使用過吧,基本都是加一個代理頭就完事了,其實也可以設置其他的參數,然後使用post請求,就可以簡單的模擬登入一次了,用法如下:
這些字段一般都需要加上,常用的就是代理頭user-agent,這個必須設置:
headers = {
'cookies': '瀏覽器複製',
'Host': '瀏覽器複製',
'Referer' '瀏覽器複製'
'User-Agent': '瀏覽器複製'
}
方式二: requests的session會話使用:
會話是什麼: 就好比你和朋友對接電話,你這頭是客戶端,朋友那頭是服務端,你們接通電話,這個通話記錄就代表一個會話,電話中,你可以通過聲音知道是你朋友,在服務器中,你請求成功一次,客戶端和服務端就維持了一個會話,這個會話能代表你的身份,那麼這段時間在一個瀏覽器中,你進入網站就不需要在輸入賬號密碼了,直到你退出瀏覽器,那麼會話截至,下次登入就需要再次輸入密碼了。
- 很好的是,
Session
能很好的幫助我們維持會話,從而達到cookies的一致性。區別於一半的請求requests,就可以達到get 和 post 共同的作用;
基本用法如下:
s = requests.Session()
r = s.get(url)
那麼我們使用會話從GitHub的模擬登入嘗試下:
首先我們需要登入一次,看看需要構建什麼參數:
登入網站
在這個界面就開啓f12 , 不然看不了會話維持:
登入成功之後,如下圖,查看構造參數:
打開這個From Data 會發現,authenticity_token 這個字段,我們可能構造不了,這個時候,就得回到 登入界面了, 打開源代碼。F這個字段:
如圖: 只需要爬取這個頁面,獲得這個參數 那麼就可以構造登入的所有參數了, 爬蟲代碼如下:
def token(self):
# 獲得 authenticity_token 字段 方便下次模擬登入
# login_url : 登入網址
r = self.session.get(self.login_url, headers=self.headers)
if r.status_code == 200:
r.encoding = r.apparent_encoding
html = etree.HTML(r.text)
html = etree.tostring(html)
html = etree.fromstring(html)
tk = html.xpath('//*[@id="login"]/form/input[1]/@value')
return tk
對於cookies的一致性,使用session 就已經搞定了這個問題,根據上圖的Name字段中的session ,
我們可以找到會話網址: ‘https://github.com/session’
所以我們現在只需要構造一個函數去請求這個會話網址,就可以達到我們的要求了:
代碼如下, 這裏我構造了一個class類,賬號密碼用自己,或者前面傳值過去,圖中的函數是二個爬蟲代碼,可以根據需求設計:
def login(self):
# 模擬登入
post_date = {
'commit': 'Sign in',
'authenticity_token': self.token(),
'ga_id': '1453216517.1584352055',
'login': self.email,
'password': self.password
}
# 打印倉庫信息
r = self.session.post(self.post_url, data=post_date, headers=self.headers)
if r.status_code == 200:
self.get_info_1(r.text)
# 打印個人信息和郵箱
r = self.session.get(self.logined_url, headers=self.headers)
if r.status_code == 200:
self.get_info_2(r.text)
會話登入到這裏就結束了,主要是構造參數挺麻煩的,需要頁面裏尋找,看到這裏給個關注和贊啦。
方式三: selenium模擬登入:
如何下載selenium相關的插件,我就不做介紹了,篇幅有限
使用selenium 就是需要考慮到表單的切換,和定位元素等,其他都很簡單,這裏用4399遊戲網頁做一個實例: 網址
點擊登入:
彈出登入表單:
這裏我們需要切換表單,不然輸入不了,怎麼找到這個表單的,很簡單,整塊的高亮就行:
代碼如下:
from selenium import webdriver # 導入庫
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support import expected_conditions as EC
browser = webdriver.Chrome() # 聲明瀏覽器
browser.implicitly_wait(30) # 隱性等待 在規定的時間內,最長等待S秒
browser.get('http://www.4399.com') # 打開設置的網址
# ID定位 或者其他的都行
browser.find_element_by_id('login_tologin').click() # 點擊登入界面
browser.switch_to.frame("popup_login_frame") # 進入表單中
browser.find_element_by_css_selector('#username').clear()
browser.find_element_by_id('username').send_keys('賬號')
browser.find_element_by_id('username').send_keys(Keys.TAB)
browser.find_element_by_id('j-password').send_keys('密碼')
browser.find_element_by_id('j-password').send_keys(Keys.ENTER)
我給的例子沒有涉及到驗證碼,如果涉及到驗證碼,要不人工輸入,要麼破解驗證碼,或者交給打碼平臺,最好的方式就是繞過驗證碼,這個我也在思考如何去實現。以上就是這周的知識總結,有幫助的話,就點個贊和關注吧!
後記: 開學了,天氣很熱,但我們也不要放棄!