Scrapy實現(xiàn)模擬登錄的示例代碼

更新時間：2021年02月21日 08:59:47 作者：pengjunlee

這篇文章主要介紹了Scrapy實現(xiàn)模擬登錄的示例代碼，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

為什么要模擬登錄

有些網(wǎng)站是需要登錄之后才能訪問的，即便是同一個網(wǎng)站，在用戶登錄前后頁面所展示的內容也可能會大不相同，例如，未登錄時訪問Github首頁將會是以下的注冊頁面：

然而，登錄后訪問Github首頁將包含如下頁面內容：

如果我們要爬取的是一些需要登錄之后才能訪問的頁面數(shù)據(jù)就需要模擬登錄了。通常我們都是利用的 Cookies 來實現(xiàn)模擬登錄，在Scrapy中，模擬登陸網(wǎng)站一般有如下兩種實現(xiàn)方式：

(1) 請求時攜帶Cookies

(2) 發(fā)送Post請求獲取Cookies

請求時攜帶Cookies

對于一些Cookies過期時間很長的不規(guī)范網(wǎng)站，如果我們能夠在Cookies過期之前爬取到所有我們想要的數(shù)據(jù)，可以考慮在請求時直接將Cookies信息帶上來模擬用戶登錄。

以下是模擬登錄Github的示例代碼：

# -*- coding: utf-8 -*-
import scrapy
import re
 
class TmallLoginSpider(scrapy.Spider):
  name = 'github_login3'
  allowed_domains = ['github.com']
  start_urls = ['https://github.com/']
 
  def start_requests(self): # 請求時攜帶Cookies
    cookies = '_ga=GA1.2.363045452.1554860671; tz=Asia%2FShanghai; _octo=GH1.1.1405577398.1554860677; _device_id=ee3ff12512668a1f9dc6fb33e388ea20; ignored_unsupported_browser_notice=false; has_recent_activity=1; user_session=5oxrsfsZCor1iJFCgRXXyeAXd8hcmzEUGh70-xHWLjQkT62Q; __Host-user_session_same_site=5oxrsfsZCor1iJFCgRXXyeAXd8hcmzEUGh70-xHWLjQkT62Q; logged_in=yes; dotcom_user=pengjunlee; _gat=1'
    cookies = {i.split('=')[0]: i.split('=')[1] for i in cookies.split('; ')}
    yield scrapy.Request(self.start_urls[0], cookies=cookies)
    
  def parse(self, response): # 驗證是否請求成功
    print(re.findall('Learn Git and GitHub without any code!',response.body.decode()))

執(zhí)行爬蟲后，后臺部分日志截圖如下：

發(fā)送Post請求模擬登錄

Scrapy還提供了兩種通過發(fā)送Post請求來獲取Cookies的方法。

scrapy.FormRequest()

使用scrapy.FormRequest()發(fā)送Post請求實現(xiàn)模擬登陸，需要人為找出登錄請求的地址以及構造出登錄時所需的請求數(shù)據(jù)。

使用scrapy.FormRequest()模擬登錄Github的示例代碼：

# -*- coding: utf-8 -*-
import scrapy
import re
 
class GithubLoginSpider(scrapy.Spider):
  name = 'github_login'
  allowed_domains = ['github.com']
  start_urls = ['https://github.com/login']
 
  def parse(self, response): # 發(fā)送Post請求獲取Cookies
    authenticity_token = response.xpath('//input[@name="authenticity_token"]/@value').extract_first()
    utf8 = response.xpath('//input[@name="utf8"]/@value').extract_first()
    commit = response.xpath('//input[@name="commit"]/@value').extract_first()
    form_data = {
      'login': 'pengjunlee@163.com',
      'password': '123456',
      'webauthn-support': 'supported',
      'authenticity_token': authenticity_token,
      'utf8': utf8,
      'commit': commit}
    yield scrapy.FormRequest("https://github.com/session", formdata=form_data, callback=self.after_login)
 
  def after_login(self, response): # 驗證是否請求成功
    print(re.findall('Learn Git and GitHub without any code!', response.body.decode()))

從后臺日志不難看出，Scrapy 在請求完 https://github.com/session 后,自動幫我們重定向到了Github首頁。

scrapy.FormRequest.from_response()

scrapy.FormRequest.from_response()使用起來比 scrapy.FormRequest()更加簡單方便，我們通常只需要提供用戶相關信息（賬戶和密碼）即可，scrapy.FormRequest.from_response()將通過模擬點擊為我們填充好其他的表單字段并提交表單。

使用scrapy.FormRequest.from_response()模擬登錄Github的示例代碼：

# -*- coding: utf-8 -*-
import scrapy
import re
 
class GithubLogin2Spider(scrapy.Spider):
  name = 'github_login2'
  allowed_domains = ['github.com']
  start_urls = ['https://github.com/login']
 
  def parse(self, response): # 發(fā)送Post請求獲取Cookies
    form_data = {
      'login': 'pengjunlee@163.com',
      'password': '123456'
    }
    yield scrapy.FormRequest.from_response(response,formdata=form_data,callback=self.after_login)
 
  def after_login(self,response): # 驗證是否請求成功
    print(re.findall('Learn Git and GitHub without any code!',response.body.decode()))

scrapy.FormRequest.from_response()方法還可以傳入其他參數(shù)來幫我們更加精確的指定表單元素：

'''
response (Response object) – 包含表單HTML的響應，將用來對表單的字段進行預填充
formname (string) – 如果設置了該值，name 等于該值的表單將被使用
formid (string) – 如果設置了該值，id 等于該值的表單將被使用
formxpath (string) – 如果設置了該值，匹配該 xpath 的第一個表單將被使用
formcss (string) – 如果設置了該值，匹配該 css選擇器的第一個表單將被使用
formnumber (integer) – 索引值等于該值的表單將被使用，默認第一個（索引值為 0 ）
formdata (dict) – 傳入的表單數(shù)據(jù)，將覆蓋form 元素中已經(jīng)存在的值
clickdata (dict) – 用于查找可點擊控件的屬性值
dont_click (boolean) – 如果設置為 True，將不點擊任何元素，直接提交表單數(shù)據(jù)
'''