之前几个月接触过一点python 爬虫 后来 忘了很多,现在重新练习下
# -*- coding: utf-8 -*-
import scrapy
import urllib
from PIL import Image
class DoubanLoginSpider(scrapy.Spider):
name = 'douban_login'
allowed_domains = ['douban.com']
# start_urls = ['http://www.douban.com/']
headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0"}
def start_requests(self):
'''
重写start_requests,请求登录页面
'''
return [scrapy.FormRequest("https://accounts.douban.com/login", headers=self.headers, meta={"cookiejar":1}, callback=self.parse_before_login)]
def parse_before_login(self, response):
'''
登录表单填充,查看验证码
'''
print("登录前表单填充")
captcha_id = response.xpath('//input[@name="captcha-id"]/@value').extract_first()
captcha_image_url = response.xpath('//img[@id="captcha_image"]/@src').extract_first()
if captcha_image_url is None:
print("登录时无验证码")
formdata = {
"source": "index_nav",
"form_email": "676770285@qq.com",
#请填写你的密码
"form_password": "*********",
}
else:
print("登录时有验证码")
save_image_path = r"D:\EclipseWorkspace\python\douban\douban\spiders\cpatcha.jpeg"
#将图片验证码下载到本地
urllib.request.urlretrieve(captcha_image_url, save_image_path)
#打开图片,以便我们识别图中验证码
try:
im = Image.open("D:\EclipseWorkspace\python\douban\douban\spiders\cpatcha.jpeg")
im.show()
except:
pass
captcha_solution = input('根据打开的图片输入验证码:')
formdata = {
"source": "None",
"redir": "https://www.douban.com",
"form_email": "676770285@qq.com",
#此处请填写密码
"form_password": "**********",
"captcha-solution": captcha_solution,
"captcha-id": captcha_id,
"login": "登录",
}
print("登录中")
#提交表单
return scrapy.FormRequest.from_response(response, meta={"cookiejar":response.meta["cookiejar"]}, headers=self.headers, formdata=formdata, callback=self.parse_after_login)
def parse_after_login(self, response):
'''
验证登录是否成功
'''
account = response.xpath('//a[@class="bn-more"]/span/text()').extract_first()
if account is None:
print("登录失败")
else:
print(u"登录成功,当前账户为 %s" %account)
我也算个小白 ,可能理解的不是多么深入就简单记录一下自己的总结,
前面的域名,头部,不用多说,进入到start_requests 方法中在这个方法中,返回的内容中请求豆瓣网的登陆页面,
这个登陆页面的地址在哪里找,用谷歌浏览器把豆瓣的登陆页面打开按F12,找出action 提交的地址这个地址就是登陆页面
然后带这个头部参数,自定义一个字典,用来存储cookie,然后回调下一个方法中,
首先我们要分析这个页面是否有验证码,可能你前2次登陆没有验证码,但是多次之后就会出现验证码的情况 所以我们要考虑这个情况了
可以多次尝试失败 然后按F12 找到验证码的地址,
然后将分情况将有验证码 或没有验证码 的情况区分出来 详情看代码