爬虫

headers的详细讲解

本文章属于爬虫入门到精通系统教程第七讲

直接开始案例吧。

本次我们实现如何模拟登陆知乎。

1.抓包

首先打开知乎登录页 知乎 - 与世界分享你的知识、经验和见解

注意打开开发者工具后点击“preserve log”，密码记得故意输入错误，然后点击登录

我们很简单的就找到了 我们需要的请求

1
2
3
_xsrf:81aa4a69cd410c3454ce515187f2d4c9
password:***
email:admin@wuaics.cn

可以看到请求一共有三个参数

email 和password就是我们需要登录的账号及密码

那么_xsrf是什么？我们在哪能找到？

像_xsrf这种参数，一般叫做页面校检码，是来检查你是否是从正常的登录页面过来的。

那我们复制这个值，在登录页面找找看。

可以看到已经找到了。用xpath很简单就能获取

//input[@name="_xsrf"]/@value

所以，本次登录我们需要得到的数据已经都得到了

步骤如下：

  1. 打开知乎登录页面，获取_xsrf
  2. 把_xsrf和自己的账号及密码一起发送（模拟登录）

2.模拟登录

1
2
3
4
5
6
import requests

url = 'https://www.zhihu.com/#signin'
z = requests.get(url)
print z.status_code

我们会看到 http状态码为500…

至于为什么会返回500状态码呢？是因为我们用程序来访问知乎被发现了…

我们伪装成浏览器，添加一行

可以看到返回正常了，http状态码为200**(这就是headers的作用)**

那我们现在获取_xsrf

1
2
3
4
5
from lxml import etree
sel = etree.HTML(z1.content)
# 这个xsrf怎么获取 我们上面有讲到
_xsrf = sel.xpath('//input[@name="_xsrf"]/@value')[0]

然后模拟登录

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
loginurl = 'https://www.zhihu.com/login/email'
# 这里的_xsrf就是我们刚刚上面得到的
formdata = {
'email':'admin@wuaics.cn',
'password':'你的密码',
'_xsrf':_xsrf
}
z2 = requests.post(url=loginurl,data=formdata,headers=headers)
print z2.status_code
#200
print z2.content
# '{"r":0,\n "msg": "\\u767b\\u5f55\\u6210\\u529f"\n}'
print z2.json()['msg']
# 登陆成功

可以看到已经模拟登录并成功了。

那我们来打开知乎 - 与世界分享你的知识、经验和见解来检查下 是否有登录成功

1
2
3
4
5
6
7
8
9
# 为什么用这个页面呢？
# 因为这个页面只有登录后才能看得到，如果没有登录的话 会自动跳转让你登录的
mylog = 'https://www.zhihu.com/people/pa-chong-21/logs'
z3 = requests.get(url=mylog,headers=headers)
print z3.status_code
#200
print z3.url
# u'https://www.zhihu.com/?next=%2Fpeople%2Fpa-chong-21%2Flogs'

发现页面url是 (https://www.zhihu.com/?next=%2Fpeople%2Fpa-chong-21%2Flogs)

并不是 我前面输入的 (https://www.zhihu.com/people/pa-chong-21/logs)

说明知乎判断我们没有登录，然后把我们跳转到登录页面了.

如果感兴趣的话，可以把z3.text 的返回值存为123.html，然后打开看看，是不是跳转到登录页面了..

那么为什么会跳到登录页面呢？刚刚不是已经登录成功了么？

这是因为，我们这几个模拟请求，相互间都是独立的，所以z2登录成功了，和z3并没有什么关系。

那如果我现在想要z3不用再模拟登录一次，也能登录的话，怎么办呢？

我们可以把z2登录成功后得到的cookie给z3,这样，z3也就能登录成功了.

用程序实现

再次判断下是否登录成功。

1
2
3
4
z3 = requests.get(url=mylog,headers=headers)
print z3.url
# u'https://www.zhihu.com/people/pa-chong-21/logs'

我们可以看到已经正常访问了。说明我们登录成功了

所以，以后只要你带着这个cookie，就可以访问登录后的页面了.(这就是cookie的作用..)

最后附上一个小技巧.

当你需要登录，或者说你需要在一段会话中操作（也就是我们上面的操作）

会话对象高级用法 - Requests 2.10.0 文档

会话对象让你能够跨请求保持某些参数。它也会在同一个 Session 实例发出的所有请求之间保持 cookie， 期间使用 urllib3 的 connection pooling 功能。所以如果你向同一主机发送多个请求，底层的 TCP 连接将会被重用，从而带来显著的性能提升。 (参见 HTTP persistent connection).

使用会话后，我们上面的代码可以改成这样

可以看到我们没有把cookie传过去，但是还是登录成功了，这是因为session会自动帮你处理这些，会自动帮你管理cookie

我们可以打印看下我们请求的headers

可以看到headers里面自动加上了cookie

最后所有的代码都在kimg1234/pachong

最后再次总结一下

看完本篇文章后，你应该要

  • 能理解User-Agent,cookie的作用
  • 了解requests中的session用法
  • 了解如何模拟登录一个网页

如果你对requests这个库不太熟悉的话，你可以在快速上手 - Requests 2.10.0 文档浏览。


本文作者：高金
本文地址： https://igaojin.me/2018/02/03/headers的详细讲解/
版权声明：转载请注明出处！

推荐文章