快速入门网络爬虫系列 Chapter13 | 模拟登陆

当我们真正开始数据采集的操作之后，我们遇到的第一个问题就是，如何获取登录窗口背后的数据
许多网站的内容是需要登录之后才能抓取的，如微博，百度云盘，知乎等。这些网站只有登录之后才能看到想要的信息。

• 对于需要登录的网站，网站和用户都不希望每打开一个新网页就要重新登录以下，所以这就需要记录用户的登录状态信息
• 大多数的新式网站都用Cookie跟踪用户是否已登录的状态信息
• 网站通过验证用户的的登录权证，会将其保存在用户浏览器的Cookie中

登录权限包含什么？
1、服务器生成的令牌
2、登录有效时限
3、状态跟踪信息

• 由于HTTP本身是无状态的，服务器需要利用Cookie保存登录信息
• 模拟登录是在每次发送请求时在请求的header中带上Cookie
• 网站会将这些Cookie作为信息验证的证据，在浏览网站的每个网页时出示给服务器

一、什么是Cookie

Cookie，有时也用其复数形式Cookies，指某些网站为了辨别用户身份、进行session跟踪而存储在用户本地终端上的数据(通常经过加密)。
Cookie是小量信息，是由Web服务器创建的，将信息存放在用户计算机的文件上

通过上述页面我们可以看到，登陆上去会有提示，图中马赛克部分。

• 由于HTTP是一种无状态的协议，服务器但从网络连接上不能知道客户身份。如果想要知道客户身份，这是就需要一张通行证，每人一个，无论谁访问都必须携带自己的通行证。这样服务器就能通过通行证来确定客户身份，这就是Cookie的工作原理。
  

上述返回200代表成功访问，这是为什么呢？因为我们添加了Cookie

1、Cookie的响应过程

1. 客户端发送一个http请求到服务器端，如果是登录操作则携带我们的用户名和密码。
2. 服务器端验证后发送一个http响应到客户端，其中包含Set-Cookie头部。
3. 客户端发送一个http请求到服务器端，其中包含Cookie。
4. 服务器端发送一个http响应到客户端。
   

一个简单的Cookie

或者通过console输入查找

2、Cookie的核心内容

• String name：该Cookie的名称。Cookie一旦创建，名称不可更改
• Object value：Cookie的值
• int maxAge：Cookie失效时间，单位为秒
• boolean secure：该Cookie是否仅被使用含权协议传输
• String path：Cookie的使用路径
• String domain：可以访问该Cookie的域名
• String comment：Cookie的使用说明
• int version：该Cookie使用的版本号

3、DevTools(开发人员工具)

Chrome DevTools是Chrome浏览器自带的开发人员工具，我们检测网络流量要用到的是其中的Network面板
默认情况下，只要DevTools在开启状态，DevTools会记录所有的网络请求，记录都是在Network中展示出来

3.1、打开方式

• 在浏览器内：右键->审查元素
  对应快捷键：ctrl+shift+c
• 点击浏览器右上角设置->工具->开发者工具
  对应快捷键：ctrl+shift+i或F12
• 直接使用快捷键
  ctrl+shift+j打开控制台(console面板)

3.2、通过开发人员工具查看各种信息

上述的过程都是建立在登录有Cookie的前提下才能进行访问查看，如果没有登录则不能查看及操作。

3.3、查看网站的实际登录过程

1、未登录时的页面

我们可以看到返回值为302，查看也没有cookie信息

2、登陆时的页面

下图中的img_base64实际上时验证码登录的提示

在输入账号密码和验证码成功后，要点击Preserve log，如果不选择此处，当我们打开新的的网页时，会被冲刷掉。

3、登陆后

由上图我们通过点击sign_in可以查看到生成的cookie，这个cookie实际上是由sign_in上面的页面生成的。

红框1是一个K-V键值对的结构，相当于我们get时写的那些参数。
红框2是加密过的信息

上图红框处为一个不知道的参数，但是如果没有这个可能就会请求不到我们想要的东西

上图红框处为为防跨站攻击的
sign_in实际上就是我们登录网页的所有操作的页面，

它返回的Cookie如下图：

下面我们进行的操作可能都要带着这个返回的Cookie来进行

如果想要产生新的cookie，我们只需要clear掉原来的cookie即可。如下图：

但是删除cookie以后就不保持登录状态了，我们打开网页还要重新进行登录：

二、模拟登陆

模拟登录的实现需要以下几个步骤：
1、用Chrome Inspect等工具研究网页登录的交互流程
2、确定登录的方式(GET或POST)，以及登录时需要附带的信息
3、保存登录成功的信息(Cookie等)，并在以后每次请求时都附带同样的信息

经过观察发现，上述标记处都返回有cookie，每一个都有set-cookie，其中，captcha?lang=cn属于验证码页面，如果显示为False则此次不用输入验证码，如果显示为Ture，则此次需要输入验证码。

下面登陆成功后，我们来看一下登录的接口：

这个时候我们来看一下responseCookie，

然后接着往下看这个cookie会添加到后来的Request Cookies