作者收集了一些网站的登陆方式和爬虫程序,有的通过 selenium 登录,有的则通过抓包直接模拟登录。作者希望该项目能帮助初学者学习各大网站的模拟登陆方式,并爬取一些需要的数据。
Python人工智能 - 60分钟从认知到实践python爬虫 - 创客学院直播室
作者表示模拟登陆基本采用直接登录或者使用 selenium+webdriver 的方式,有的网站直接登录难度很大,比如 qq 空间和 bilibili 等,采用 selenium 登录相对轻松一些。虽然在登录的时候采用的是 selenium,但为了效率,我们也可以在登录后维护得到的 cookie。登录后,我们就能调用 requests 或者 scrapy 等工具进行数据采集,这样数据采集的速度可以得到保证。
目前已经完成的网站有:
Facebook无需身份验证即可抓取 Twitter 前端 API微博网页版知乎QQZoneCSDN淘宝Baidu果壳JingDong 模拟登录和自动申请京东试用163mail拉钩Bilibili豆瓣Baidu2猎聘网微信网页版登录并获取好友列表Github爬取图虫相应的图片
如下所示,如果我们满足依赖项,那么就可以直接运行代码,它会在图虫网站中下载搜索到的图像。
如下所示为搜索「秋天」,并完成下载的图像:
每一个网站都会有对应的登录代码,有的还有数据的爬取代码。以豆瓣为例,主要的登录函数如下所示,它会获取验证码、处理验证码、返回登录数据完成登录,并最后保留 cookies。
def login():
captcha, captcha_id = get_captcha()
# 增加表数据
datas[ captcha-solution ] = captcha
datas[ captcha-id ] = captcha_id
login_page = session.post(url, data=datas, headers=headers)
page = login_page.text
soup = BeautifulSoup(page, "html.parser")
result = soup.findAll( div , attrs={ class : title })
#进入豆瓣登陆后页面,打印热门内容foritem in result:
print(item.find( a ).get_text())
# 保存 cookies 到文件,
# 下次可以使用 cookie 直接登录,不需要输入账号和密码
session.cookies.save()
其中获取并解决验证码的函数如下:
def get_captcha():
获取验证码及其ID
r = requests.post(url, data=datas, headers=headers)
page = r.text
soup = BeautifulSoup(page, "html.parser")
# 利用bs4获得验证码图片地址
img_src = soup.find( img , { id : captcha_image }).get( src )
urlretrieve(img_src, captcha.jpg )
try:
im = Image.open( captcha.jpg )
im.show()
im.close()
except:
print( 到本地目录打开captcha.jpg获取验证码 )
finally:
captcha = input( please input the captcha: )
remove( captcha.jpg )
captcha_id = soup.find(
input , {type: hidden , name : captcha-id }).get( value )returncaptcha, captcha_id
当然这些都是简单的演示,在 GitHub 项目中可以找到更多的示例。此外,作者表明由于网站策略或者样式改变而导致代码失效,我们也可以提 Issue 或 Pull Requests。最后,该项目未来还会一直维护,很多东西哦也会慢慢改进,项目作者表明:
项目写了一段时间后,发现代码风格、程序易用性、可扩展性、代码的可读性,都存在一定的问题,所以接下来最重要的是重构代码,让大家可以更容易的做出一些自己的小功能;如果读者觉得某个网站的登录很有代表性,可以在项目 issue 中提出;网站的登录机制有可能经常的变动,所以当现在的模拟的登录的规则不能使用的时候,请项目在 issue 中提出。