用 Python 登录主流网站，我们的数据爬取少不了它

不论是自然语言处理还是计算机视觉，做机器学习算法总会存在数据不足的情况，而这个时候就需要我们用爬虫获取一些额外数据。这个项目介绍了如何用 Python 登录各大网站，并用简单的爬虫获取一些有用数据，目前该项目已经提供了知乎、B 站、和豆瓣等 18 个网站的登录方法。

项目地址：https://github.com/CriseLYJ/awesome-python-login-model

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。

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

• QQZone

• CSDN

• 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  
    for item 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')  
    return captcha, 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。

以上就是“用 Python 登录主流网站，我们的数据爬取少不了它”的全部内容，希望对你有所帮助。
​
​关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、Python练习题

检查学习结果。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

最后祝大家天天进步！！

上面这份完整版的Python全套学习资料已经上传至CSDN官方，朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。