使用scrapy登陆网站, 并且抓取信息:
- 开始的登陆的时候请输入错误的用户名或者密码,然后看到实际上跳转的是哪个地址, 我们需要使用实际的地址. 发起一个start request
def start_requests(self):
captcha_url = "login的url"
return [scrapy.Request(
url=captcha_url,
headers=self.headers,
meta={'cookiejar': 1},
callback=self.post_login,
dont_filter=True
)]
- start request执行成功之后的callback是post login, 就是创造数据(用户名密码)进行登录. 因为我爬取的这个网站的用户名和密码进行了AES加密, 所以我需要把加密成一样的格式进行post请求.
前端的加密代码:
$('#login_form').fadeOut(1000, function() {
$('#modal').fadeIn(1000, function() {
var a = $('#login-sid-session').val()
, n = $('#login-key-session').val()
, o = $('#login-iv-session').val()
, e = CryptoJS.enc.Hex.parse(n)
, i = CryptoJS.enc.Hex.parse(o)
, t = CryptoJS.AES.encrypt($('#login_username').val(), e, {
iv: i
});
var r = CryptoJS.AES.encrypt($('#login_password').val(), e, {
iv: i
});
$.ajax({
url: Routing.generate('main_home_validate'),
type: 'POST',
data: {
login_username: t.ciphertext.toString(CryptoJS.enc.Base64),
login_password: r.ciphertext.toString(CryptoJS.enc.Base64)
},
相对应的python代码:
def crypto_aes_encrypt(response):
mode = AES.MODE_CBC
key = response.xpath('//*[@id="login-key-session"]/@value').extract()[0]
iv = response.xpath('//*[@id="login-iv-session"]/@value').extract()[0]
key = a2b_hex(key)
iv = a2b_hex(iv)
return AES.new(key, mode, iv)
def pad(s):
return s + (16 - len(s) % 16) * chr(16 - len(s) % 16)
username =
password =
username = pad(username).encode('utf-8')
AESCipher = crypto_aes_encrypt(response)
username = AESCipher.encrypt(username)
username = base64.b64encode(username )
password = pad(password).encode('utf-8')
password= AESCipherp.encrypt(password)
password= base64.b64encode(password)
把所有处理好的用户名密码进行post请求之后 就会返回success 登陆成功.
def post_login(self, response):
post_url = "错误用户名密码实际的url ()validate url)"
post_data = {
"source": 'None',
"redir": '重定向的url',
'login_username': username,
'login_password': password
}
yield FormRequest.from_response(
response,
url=post_url,
method='POST',
meta={"cookiejar": response.meta["cookiejar"]},
headers=self.headers,
formdata=post_data,
callback=self.after_login,
dont_filter=True
)
- 登陆成功之后, 就可以到达主页 home
def after_login(self, response):
body = response.body.decode("utf-8") # 登录后可以查看一下登录响应信息
print('登录响应结果:', body)
routeUrl = "网页的home"
yield scrapy.Request(
url=routeUrl,
headers=self.headers,
meta={"cookiejar": response.meta["cookiejar"]},
callback=self.login_home,
dont_filter=True
)
- 接下来就可以一步一步爬取自己想要的数据
def login_home(self, response):
formadata ={}
yield FormRequest(
url="爬取的数据的那个request",
meta={"cookiejar": response.meta["cookiejar"]},
method='POST',
headers=self.headers,
formdata=formadata,
dont_filter=True,
# 如果不指定callback,那么默认会使用parse函数
)
- 保存到数据库
一些配置信息:
seetings.py
# start MySQL database configure setting
MYSQL_HOST = ''
MYSQL_DBNAME = 'test'
MYSQL_USER = ''
MYSQL_PASSWD = ''
ITEM_PIPELINES = {
'smoz.pipelines.SmozPipeline': 300,
}
class SmozPipeline(object):
def __init__(self):
dbargs = dict(
host='',
db='test',
user='',
passwd='',
cursorclass=MySQLdb.cursors.DictCursor,
charset='utf8',
use_unicode=True
)
self.dbpool = adbapi.ConnectionPool('MySQLdb', **dbargs)
def process_item(self, item, spider):
res = self.dbpool.runInteraction(self.insert_into_table, item)
return item
def insert_into_table(self, conn, item):
conn.execute("insert 语句")
保存:
# 正常的分析页面请求
def parse(self, response):
item = SmozItem()
items =[]
jsons = response.body.decode("utf-8")
jj = json.loads(jsons)
print(jj["data"])
sss = jj["data"]
for jss in sss:
item["id"] = jss["id"]
items.append(item)
yield item
- 结果: