网络爬虫——由模拟登录扯开去

2. 账号，密码（密文）POST

根据不同的场景分别处理：

• 需求：使用单个账号，登录一个目标网站，之后做各种处理；

这时，直接用FormData中加密后的密码提交；

• 需求：使用大量账号，登录一个目标网站；

这就要确定目标网站前端所采用的密码加密算法，常见的有MD5，RSA等；一般可以在前端JavaScript脚本中找到相关的加密方式；

Note:

1. 有时候会辅以token+密码的形式，而不仅仅是原密码进行加密（见第3种情况）；

2. 如果所有账号的密码都一样，此时也用不着确定加密算法了，可按前一种需求处理；

3. 账号，token+密码（密文）POST

首先要想办法获取token，token又有动、静之分：

• 动态token：每次打开登录页面后，都会返回一个不同的token，这需要分析页面信息，做相应的处理；

• 静态token：这种一般是在服务端定义好的一个固定密钥；当时遇到的是移动端的app，通过反编译安卓客户端软件.apk得到源码，从中找到的（忘记在请求中是否可以抓取到）……

4. 账号，上述任一情况，图片验证码 POST

这里同第2种情况，对于图片验证码，可根据需求分别处理：eg：

• 需求：使用单个账号，登录一个目标网站，之后做各种处理；

Solution：

这时，登录一次就可以，所以可将目标验证码下载下来，显示图片，人工识别即可；

• 需求：使用大量账号，登录一个目标网站，之后均做同样的操作与处理（具体场景，可自由发挥想象力）；

Solution：

由于需要重复进行登录动作，最简单的方法是扔给第三方平台（嗯，可能是人肉识别），这类平台一般需要充值、进行付费识别（正确率还可以，错误的可以报回给平台）；

高级一点的可利用OCR技术，再辅以图像处理技术，一般步骤是先处理图片，灰度化，去除背景色及噪点，提高对比度等，这有赖于图像处理算法能力，也有不少的库可以用，比如ImageMagick，然后通过OCR识别，推荐tesseract-ocr；对于容易识别的验证码可粗暴一点，直接由OCR识别，错了换一张就是了；

比较专业的是通过机器学习、神经网络等进行训练，然后喂给它新的图片，完成识别；这种方法对技术的要求挺高（一般都是调用现成的算法包，那也挺复杂的。。），虽然我的硕士研究方向是脑电信号处理，也用到了不少机器学习算法，可是最终还是没选择这条路，各有各的一片天地吧。

头信息

---

这里主要提一下涉及到异步请求时，'X-Requested-With':'XMLHttpRequest'这个头信息必须要添加上，否则无法返回正常的结果；

页面中有时是以异步的方式发出请求，而有时请求又是同步的，所以需要动态添加、删除这个请求头信息。

Cookie

---

用户名、密码提交到服务器后，如果登录成功，那么服务器一般会返回Cookie，可从响应头信息的set-cookie获取到，在登录的后续操作中，都要携带这一Cookie发送请求；

对于有验证码的站点，需要注意的是，第一步获取到验证码后，有个与验证码附在一起的Cookie，所以，此时整个登录过程，会涉及到两个Cookie：验证码Cookie与登录后的Cookie，简要描述为：

1. 获取验证码时，随验证码返回Cookie，记作Cookie1；

2. 向服务器发送登录请求时，表单数据携带Cookie1， POST；

3. 登录成功，返回Cookie，记作Cookie2；

4. 正常情况下，后续操作的每次请求附带Cookie2即可；

重定向

---

HTTP Code 为3xx开头的响应（eg: 301, 302），即表示重定向，在登录请求发出后，返回的响应出现此类情况时，先莫慌，这表明页面发生了跳转，可以修改请求配置以实现对跳转的跟踪，完成登录。

反爬虫

---

道高一尺，魔高一丈，既然有爬虫，那么就有反爬虫，技术也正是在这样的不断博弈中向前推动。

通过以上步骤后，基本可以完成登录，之后就可以开心的玩耍了。。

但是，还要知道，有一个叫“反爬虫”的存在，不管出于什么目的的反爬虫，都是为了防止自己的网站不被其他人自动化、大批量地获取网站信息，尤其是对可能造成服务器压力大增的请求，需要实施拦截。所以完成模拟登录后，不能肆无忌惮地乱来，一定要注意请求的频率，考虑下目标服务器的压力，完成我们的需求即可，若完全是以恶意的方式企图搞垮人家的服务器，我祈祷你的账号、IP被封掉~

来看看丧心病狂的反爬虫

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）