使用Python的Requests包模拟登陆

前段时间喜欢用python去抓一些页面玩，但都基本上都是用get请求一些页面，再通过正则去过滤。
今天试了一下，模拟登陆个人网站。发现也比较简单。读懂本文需要对http协议和http会话有一定的理解。
注明：因为模拟登陆的是我的个人网站，所以以下代码对个人网站和账号密码做了处理。

网站分析

爬虫的必备第一步，分析目标网站。这里使用谷歌浏览器的开发者者工具分析。
通过登陆抓取，看到这样一个请求。
上方部分为请求头，下面部分为请求是传的参数。由图片可以看出，页面通过表单提交了三个参数。分别为_csrf,usermane,password。
其中csrf是为了预防跨域脚本伪造。原理很简单，就是每一次请求，服务器生成一串加密字符串。放在隐藏的input表单中。再一次请求的时候，把这个字符串一起传过去，为了验证是否为同一个用户的请求。

因此，我们的代码逻辑就有了。首先请求一次登录页面。然后分析页面，拿到csrf字符串。最后把这个字符串和账号密码一起传给服务器用来登录。

第一份代码

#!/usr/bin/env python2.7
# -*- coding: utf-8 -*-

import requests
import re

# 头部信息
headers = {
    'Host':"localhost",
    'Accept-Language':"zh-CN,zh;q=0.8",
    'Accept-Encoding':"gzip, deflate",
    'Content-Type':"application/x-www-form-urlencoded",
    'Connection':"keep-alive",
    'Referer':"http://localhost/login",
    'User-Agent':"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36"
}

# 登陆方法
def login(url,csrf):
    data = {
        "_csrf" : csrf,
        "username": "xiedj",
        "password": "***"
    }

    response = requests.post(url, data=data, headers=headers)
    return response.content


# 第一次访问获取csrf值
def get_login_web(url):
    page = requests.get('http://localhost/login')
    reg = r'<meta name="csrf-token" content="(.+)">'
    csrf = re.findall(reg,page.content)[0]
    login_page = login(url,csrf)
    print login_page


if __name__ == "__main__":
    url = "http://localhost/login/checklogin"
    get_login_web(url)

代码看起来好像没有什么问题。然而执行的时候出错了。核查了一下，错误的原因是，csrf验证失败！

再多次确认获取的csrf和请求登录的csrf字符串没问题了之后，我想到了一个问题。
如果，大家还不知道错误原因的话，这里可以暂停思考一个问题。“服务器如何知道，第一次请求获取csrf和第二次post登录请求是同一个用户？”

到这，应该都清楚了，如果要登录成功，需要解决如何让服务相信两次请求是同一个用户。这里需要用到http会话（不清楚的可以自行百度，这里简单介绍）。

http协议是一个种无状态的协议。为了使这种无状态变得有状态，因此引进了会话。简单的讲，通过session去记录这个状态。当一个用户第一次请求web服务的时候，服务器会生成一个session，用于保存这个用户的信息。同时，在返回给用户端时，把这个sessionID保存在cookies里。当用户再一次请求的时候，浏览器会把这个cookies带上。因此在服务器端就能知道多次请求是否为同一个用户。

因此我们的代码，需要在第一次请求的时候拿到这个sessionID。第二次请求的时候把这个sessionID一起传过去。而requests厉害的地方就是，一句简单requests.Session()，就能使用这个会话对象。

第二份代码

#!/usr/bin/env python2.7
# -*- coding: utf-8 -*-

import requests
import re

# 头部信息
headers = {
    'Host':"localhost",
    'Accept-Language':"zh-CN,zh;q=0.8",
    'Accept-Encoding':"gzip, deflate",
    'Content-Type':"application/x-www-form-urlencoded",
    'Connection':"keep-alive",
    'Referer':"http://localhost/login",
    'User-Agent':"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36"
}

# 登陆方法
def login(url,csrf,r_session):
    data = {
        "_csrf" : csrf,
        "username": "xiedj",
        "password": "***"
    }

    response = r_session.post(url, data=data, headers=headers)
    return response.content


# 第一次访问获取csrf值
def get_login_web(url):
    r_session  = requests.Session()
    page = r_session.get('http://localhost/login')
    reg = r'<meta name="csrf-token" content="(.+)">'
    csrf = re.findall(reg,page.content)[0]


    login_page = login(url,csrf,r_session)
    print login_page


if __name__ == "__main__":
    url = "http://localhost/login/checklogin"
    get_login_web(url)

成功获取登陆后的页面

由代码可以知道，requests.Session()启动会话对象后，第二次请求会自动把上一次的sessionID一起传过去。