Python网络爬虫之模拟登录（以知乎为例）

参考：Web Crawler with Python - 08.模拟登录 (知乎)

三个问题：

    在实践时，发现该行报错：

_xsrf = BeautifulSoup(session.get('https://www.zhihu.com/#signin').content).find('input', attrs={'name': '_xsrf'})['value']

    于是在chrome下F12再次分析一下登录过程之后，在requests的headers中加入User-Agent，发现可以获得_xsrf 字段。

    接下来获取验证码和请求时同理加上User-Agent。

    之后再获取验证码时，发现获得的结果如下：

    ERR_VERIFY_CAPTCHA_SESSION_INVALID

    再次分析获得验证码的请求（更新验证码）：

    考虑请求时使用的requests的session机制，已经携带了cookie信息。于是怀疑是url的问题。

    改成如下解决：

captcha_content = session.get('http://www.zhihu.com/captcha.gif?r=%d&type=login' % (time.time() * 1000), headers=headers).content

    最后修改断言，返回结果如下：

代码：

#!/usr/bin/python
# -*- coding: utf-8 -*-

import time
import requests
from bs4 import BeautifulSoup


headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.89 Safari/537.36',
# 'Referer':'https://www.zhihu.com/',
# 'X-Requested-With': 'XMLHttpRequest',
# 'Origin':'https://www.zhihu.com'
}

def login(username, password, kill_captcha):
    session = requests.session()
    _xsrf = BeautifulSoup(session.get('https://www.zhihu.com/#signin', headers=headers).content).find('input', attrs={'name': '_xsrf'})['value']
    session.headers.update({'_xsrf':str(_xsrf)})
    #加入type=login 否则：ERR_VERIFY_CAPTCHA_SESSION_INVALID
    captcha_content = session.get('http://www.zhihu.com/captcha.gif?r=%d&type=login' % (time.time() * 1000), headers=headers).content
    data = {
        '_xsrf': _xsrf,
        'password': password,
        'captcha': kill_captcha(captcha_content),
        'email': username,
        'remember_me': 'true'
        # 字典的键值对顺序可以随机
    }
    print data
    resp = session.post('http://www.zhihu.com/login/email', data=data, headers=headers).content
    # 登录成功
    print 'resp\n',resp
    assert r'\u767b\u5f55\u6210\u529f' in resp
    return session


def kill_captcha(data):
    with open('1.gif', 'wb') as fp:
        fp.write(data)
    return raw_input('captcha : ')

if __name__ == '__main__':
    session = login('email', 'password', kill_captcha)
    print BeautifulSoup(session.get("https://www.zhihu.com",headers=headers).content).find('span', class_='name').getText()