使用cookie模拟登陆

关于 cookie 的介绍和如何使用 python 实现模拟登陆，请参考。

从这篇文章你可以学习到如何获取一个网站的 cookie 信息。下面所讲述的方法就是使用 cookie 来模拟登陆知乎网站并爬取用户信息。

一个模拟登陆知乎网站的示例代码如下：

# -*- coding:utf-8 -*-from scrapy.selector import Selectorfrom scrapy.contrib.linkextractors.sgml import SgmlLinkExtractorfrom scrapy.contrib.spiders import CrawlSpider, Rulefrom scrapy.http import Request,FormRequestfrom zhihu.settings import *class ZhihuLoginSpider(CrawlSpider):    name = 'zhihulogin1'    allowed_domains = ['zhihu.com']    start_urls = ['http://www.zhihu.com/lookup/class/']    rules = (        Rule(SgmlLinkExtractor(allow=r'search/')),        Rule(SgmlLinkExtractor(allow=r'')),    )    def __init__(self):        self.headers =HEADER        self.cookies =COOKIES    def start_requests(self):        for i, url in enumerate(self.start_urls):            yield FormRequest(url, meta = {
     'cookiejar': i}, \                              headers = self.headers, \                              cookies =self.cookies,                              callback = self.parse_item)#jump to login page    def parse_item(self, response):        selector = Selector(response)        urls = []        for ele in selector.xpath('//ul/li[@class="suggest-item"]/div/a/@href').extract():           urls.append(ele)        print urls

上面是一个简单的示例，重写了 start_requests 方法，针对 start_urls 中的每一个url，这里为，重新创建 FormRequest 请求该 url，并设置 headers 和 cookies 两个参数，这样可以通过 cookies 伪造登陆。

FormRequest 请求中有一个回调函数 parse_item 用于解析页面内容。

HEADER 和 COOKIES 在 settings.py 中定义如下：

HEADER={    "Host": "www.zhihu.com",    "Connection": "keep-alive",    "Cache-Control": "max-age=0",    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.131 Safari/537.36",    "Referer": "http://www.zhihu.com/people/raymond-wang",    "Accept-Encoding": "gzip,deflate,sdch",    "Accept-Language": "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4,zh-TW;q=0.2",    }COOKIES={    'checkcode':r'"$2a$10$9FVE.1nXJKq/F.nH62OhCevrCqs4skby2bC4IO6VPJITlc7Sh.NZa"',    'c_c':r'a153f80493f411e3801452540a3121f7',    '_ga':r'GA1.2.1063404131.1384259893',    'zata':r'zhihu.com.021715f934634a988abbd3f1f7f31f37.470330',    'q_c1':r'59c45c60a48d4a5f9a12a52028a9aee7|1400081868000|1400081868000',    '_xsrf':r'2a7cf7208bf24dbda3f70d953e948135',    'q_c0':r'"NmE0NzBjZTdmZGI4Yzg3ZWE0NjhkNjkwZGNiZTNiN2F8V2FhRTQ1QklrRjNjNGhMdQ==|1400082425|a801fc83ab07cb92236a75c87de58dcf3fa15cff"',    '__utma':r'51854390.1063404131.1384259893.1400518549.1400522270.5',    '__utmb':r'51854390.4.10.1400522270',    '__utmc':r'51854390',    '__utmz':r'51854390.1400513283.3.3.utmcsr=zhihu.com|utmccn=(referral)|utmcmd=referral|utmcct=/people/hallson',    '__utmv':r'51854390.100-1|2=registration_date=20121016=1^3=entry_date=20121016=1'}

这两个参数你都可以通过浏览器的一些开发工具查看到，特别是 COOKIES 中的信息。

通过账号登陆

使用账户和密码进行登陆代码如下：

# -*- coding:utf-8 -*-from scrapy.selector import Selectorfrom scrapy.contrib.linkextractors.sgml import SgmlLinkExtractorfrom scrapy.contrib.spiders import CrawlSpider, Rulefrom scrapy.http import Request,FormRequestimport sysreload(sys)sys.setdefaultencoding('utf-8')host='http://www.zhihu.com'class ZhihuUserSpider(CrawlSpider):    name = 'zhihu_user'    allowed_domains = ['zhihu.com']    start_urls = ["http://www.zhihu.com/lookup/people",]    #使用rule时候，不要定义parse方法    rules = (        Rule(SgmlLinkExtractor(allow=("/lookup/class/[^/]+/?$", )), follow=True,callback='parse_item'),        Rule(SgmlLinkExtractor(allow=("/lookup/class/$", )), follow=True,callback='parse_item'),        Rule(SgmlLinkExtractor(allow=("/lookup/people", )),  callback='parse_item'),   )    def __init__(self,  *a,  **kwargs):        super(ZhihuLoginSpider, self).__init__(*a, **kwargs)    def start_requests(self):        return [FormRequest(            "http://www.zhihu.com/login",            formdata = {
     'email':'XXXXXX',                        'password':'XXXXXX'            },            callback = self.after_login        )]    def after_login(self, response):        for url in self.start_urls:            yield self.make_requests_from_url(url)    def parse_item(self, response):        selector = Selector(response)        for link in selector.xpath('//div[@id="suggest-list-wrap"]/ul/li/div/a/@href').extract():            #link  ===> /people/javachen            yield Request(host+link+"/about", callback=self.parse_user)    def parse_user(self, response):        selector = Selector(response)        user = ZhihuUserItem()        user['_id']=user['username']=response.url.split('/')[-2]        user['url']= response.url        user['nickname'] = ''.join(selector.xpath("//div[@class='title-section ellipsis']/a[@class='name']/text()").extract())        user['location'] = ''.join(selector.xpath("//span[@class='location item']/@title").extract())        user['industry'] = ''.join(selector.xpath("//span[@class='business item']/@title").extract())        user['sex'] = ''.join(selector.xpath('//div[@class="item editable-group"]/span/span[@class="item"]/i/@class').extract()).replace("zg-icon gender ","")        user['description'] = ''.join(selector.xpath("//span[@class='description unfold-item']/span/text()").extract()).strip().replace("\n",'')        user['view_num'] = ''.join(selector.xpath("//span[@class='zg-gray-normal']/strong/text()").extract())        user['update_time'] = str(datetime.now())        #抓取用户信息，此处省略代码

该代码逻辑如下：

重写 start_requests 方法，通过设置 FormRequest 的 formdata 参数，这里是 email 和 password，然后提交请求到 http://www.zhihu.com/login进行登陆，如果登陆成功之后，调用 after_login 回调方法。

在 after_login 方法中，一个个访问 start_urls 中的 url

rules 中定义了一些正则匹配的 url 所对应的回调函数

在 parse_user 方法里，你可以通过 xpath 获取到用户的相关信息，也可以去获取关注和粉丝列表的数据。

例如，先获取到用户的关注数 followee_num，就可以通过下面一段代码去获取该用户所有的关注列表。代码如下

_xsrf = ''.join(selector.xpath('//input[@name="_xsrf"]/@value').extract())hash_id = ''.join(selector.xpath('//div[@class="zm-profile-header-op-btns clearfix"]/button/@data-id').extract())num = int(followee_num) if followee_num else 0page_num = num/20page_num += 1 if num%20 else 0for i in xrange(page_num):    params = json.dumps({
     "hash_id":hash_id,"order_by":"created","offset":i*20})    payload = {
     "method":"next", "params": params, "_xsrf":_xsrf}    yield Request("http://www.zhihu.com/node/ProfileFolloweesListV2?"+urlencode(payload), callback=self.parse_follow_url)

然后，你需要增加一个处理关注列表的回调方法 parse_follow_url，这部分代码如下：

def parse_follow_url(self, response):        selector = Selector(response)        for link in selector.xpath('//div[@class="zm-list-content-medium"]/h2/a/@href').extract():            #link  ===> http://www.zhihu.com/people/peng-leslie-97            username_tmp = link.split('/')[-1]            if username_tmp in self.user_names:                print 'GET:' + '%s' % username_tmp                continue            yield Request(link+"/about", callback=self.parse_user)

获取粉丝列表的代码和上面代码类似。

有了用户数据之后，你可以再编写一个爬虫根据用户去爬取问题和答案了，这部分代码略去，详细内容请参考。其中，还有抓取 github 用户等的相关代码。

其他一些技巧

在使用 xpath 过程中，你可以下载浏览器插件来快速定位元素并获取到 xpath 表达式，关于该插件用法，请自行 google 之。

由于隐私设置的缘故，有些用户可能没有显示一些数据，故针对某些用户 xpath 表达式可能会抛出一些异常，如下面代码获取用户的名称：

user['nickname'] = selector.xpath("//div[@class='title-section ellipsis']/a[@class='name']/text()").extract()[0]

你可以将上面代码修改如下，以避免出现一个异常：

user['nickname'] = ''.join(selector.xpath("//div[@class='title-section ellipsis']/a[@class='name']/text()").extract())