Python3以GitHub为例来实现模拟登录和爬取的实例讲解
我们先以一个最简单的实例来了解模拟登录后页面的抓取过程,其原理在于模拟登录后 cookies 的维护。
1. 本节目标
本节将讲解以 github 为例来实现模拟登录的过程,同时爬取登录后才可以访问的页面信息,如好友动态、个人信息等内容。
我们应该都听说过 github,如果在我们在 github 上关注了某些人,在登录之后就会看到他们最近的动态信息,比如他们最近收藏了哪个 repository,创建了哪个组织,推送了哪些代码。但是退出登录之后,我们就无法再看到这些信息。
如果希望爬取 github 上所关注人的最近动态,我们就需要模拟登录 github。
2. 环境准备
请确保已经安装好了 requests 和 lxml 库,如没有安装可以参考第 1 章的安装说明。
3. 分析登录过程
首先要分析登录的过程,需要探究后台的登录请求是怎样发送的,登录之后又有怎样的处理过程。
如果已经登录 github,先退出登录,同时清除 cookies。
打开 github 的登录页面,链接为 ,输入 github 的用户名和密码,打开开发者工具,将 preserve log 选项勾选上,这表示显示持续日志,如图 10-1 所示。
点击登录按钮,这时便会看到开发者工具下方显示了各个请求过程,如图 10-2 所示。
点击第一个请求,进入其详情页面,如图 10-3 所示。
可以看到请求的 url 为 ,请求方式为 post。再往下看,我们观察到它的 form data 和 headers 这两部分内容,如图 10-4 所示。
headers 里面包含了 cookies、host、origin、referer、user-agent 等信息。form data 包含了 5 个字段,commit 是固定的字符串 sign in,utf8 是一个勾选字符,authenticity_token 较长,其初步判断是一个 base64 加密的字符串,login 是登录的用户名,password 是登录的密码。
综上所述,我们现在无法直接构造的内容有 cookies 和 authenticity_token。下面我们再来探寻一下这两部分内容如何获取。
在登录之前我们会访问到一个登录页面,此页面是通过 get 形式访问的。输入用户名密码,点击登录按钮,浏览器发送这两部分信息,也就是说 cookies 和 authenticity_token 一定是在访问登录页的时候设置的。
这时再退出登录,回到登录页,同时清空 cookies,重新访问登录页,截获发生的请求,如图 10-5 所示。
访问登录页面的请求如图所示,response headers 有一个 set-cookie 字段。这就是设置 cookies 的过程。
另外,我们发现 response headers 没有和 authenticity_token 相关的信息,所以可能 authenticity_token 还隐藏在其他的地方或者是计算出来的。我们再从网页的源码探寻,搜索相关字段,发现源代码里面隐藏着此信息,它是一个隐藏式表单元素,如图 10-6 所示。
现在我们已经获取到所有信息,接下来实现模拟登录。
4. 代码实战
首先我们定义一个 login 类,初始化一些变量:
class login(object): def __init__(self): self.headers = { 'referer': 'https://github.com/', 'user-agent': 'mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36', 'host': 'github.com' } self.login_url = 'https://github.com/login' self.post_url = 'https://github.com/session' self.logined_url = 'https://github.com/settings/profile' self.session = requests.session()
这里最重要的一个变量就是 requests 库的 session,它可以帮助我们维持一个会话,而且可以自动处理 cookies,我们不用再去担心 cookies 的问题。
接下来,访问登录页面要完成两件事:一是通过此页面获取初始的 cookies,二是提取出 authenticity_token。
在这里我们实现一个 token() 方法,如下所示:
from lxml import etree def token(self): response = self.session.get(self.login_url, headers=self.headers) selector = etree.html(response.text) token = selector.xpath('//div/input[2]/@value')[0] return token
我们用 session 对象的 get() 方法访问 github 的登录页面,然后用 xpath 解析出登录所需的 authenticity_token 信息并返回。
现在已经获取初始的 cookies 和 authenticity_token,开始模拟登录,实现一个 login() 方法,如下所示:
def login(self, email, password): post_data = { 'commit': 'sign in', 'utf8': '✓', 'authenticity_token': self.token(), 'login': email, 'password': password } response = self.session.post(self.post_url, data=post_data, headers=self.headers) if response.status_code == 200: self.dynamics(response.text) response = self.session.get(self.logined_url, headers=self.headers) if response.status_code == 200: self.profile(response.text)
首先构造一个表单,复制各个字段,其中 email 和 password 是以变量的形式传递。然后再用 session 对象的 post() 方法模拟登录即可。由于 requests 自动处理了重定向信息,我们登录成功后就可以直接跳转到首页,首页会显示所关注人的动态信息,得到响应之后我们用 dynamics() 方法来对其进行处理。接下来再用 session 对象请求个人详情页,然后用 profile() 方法来处理个人详情页信息。
其中,dynamics() 方法和 profile() 方法的实现如下所示:
def dynamics(self, html): selector = etree.html(html) dynamics = selector.xpath('//div[contains(@class, "news")]//div[contains(@class, "alert")]') for item in dynamics: dynamic = ' '.join(item.xpath('.//div[@class="title"]//text()')).strip() print(dynamic) def profile(self, html): selector = etree.html(html) name = selector.xpath('//input[@id="user_profile_name"]/@value')[0] email = selector.xpath('//select[@id="user_profile_email"]/option[@value!=""]/text()') print(name, email)
在这里,我们仍然使用 xpath 对信息进行提取。在 dynamics() 方法里,我们提取了所有的动态信息,然后将其遍历输出。在 prifile() 方法里,我们提取了个人的昵称和绑定的邮箱,然后将其输出。
这样,整个类的编写就完成了。
5. 运行
我们新建一个 login 对象,然后运行程序,如下所示:
if __name__ == "__main__": login = login() login.login(email='cqc@cuiqingcai.com', password='password')
在 login() 方法传入用户名和密码,实现模拟登录。
可以看到控制台有类似如下输出:
grahamcampbell starred nunomaduro/zero-framework grahamcampbell starred nunomaduro/laravel-zero happyanger6 created repository happyanger6/nodejs_chatroom viosey starred nitely/spirit lbgws2 starred germey/taobaomm easychris starred ageitgey/face_recognition callmewhy starred macmade/githubupdates sindresorhus starred sholladay/squatter samypesse starred graphcool/chromeless wbotelhos starred tkadlec/grunt-perfbudget wbotelhos created repository wbotelhos/eggy leohxj starred macgesture/macgesture grahamcampbell starred grahamcampbell/analyzer easychris starred golang/go mitulgolakiya starred veltman/flubber liaoyuming pushed to student at germey/securitycourse leohxj starred jasonslyvia/a-cartoon-intro-to-redux-cn ruanyf starred ericchiang/pup ruanyf starred bpesquet/thejsway louwailou forked germey/scrapytutorial to louwailou/scrapytutorial lving forked *r-backup/*r to lving/*r qifuren1985 starred germey/adslproxypool qwp6t starred laravel/framework germey ['1016903103@qq.com', 'cqc@cuiqingcai.com']
可以发现,我们成功获取到关注的人的动态信息和个人的昵称及绑定邮箱。模拟登录成功!
6. 本节代码
本节代码地址:https://github.com/python3webspider/githublogin。
7. 结语
我们利用 requests 的 session 实现了模拟登录操作,其中最重要的还是分析思路,只要各个参数都成功获取,那么模拟登录是没有问题的。
登录成功,这就相当于建立了一个 session 会话,session 对象维护着 cookies 的信息,直接请求就会得到模拟登录成功后的页面。
以上就是python3以github为例来实现模拟登录和爬取的实例讲解的详细内容,更多关于python3爬虫以github为例来实现模拟登录和爬取的资料请关注其它相关文章!