爬虫模拟登陆
1、识别验证码
如果登陆时需要输入验证码,则需要识别该验证码
我用的是云打码平台
图鉴:http://www.ttshitu.com/
自己琢磨了开发文档
import base64
def code_ver(b_img, typeid=3):
"""识别验证码"""
# 开发文档给的HTML的api接口
url = 'http://api.ttshitu.com/base64'
data = {
'username':'***************', # 账号
'password': '***************', # 密码
'typeid': str(typeid), # 识别类型,字符串类型
'image': b_img, # base64格式 导入base64模块,b_img = base64.b64encode(b'需要识别图片二进制')
}
res = requests.post(url, data=data, headers=headers)
json_data = res.json()
return json_data['data']['result']
2、session对象
http/https协议特征:无状态
没有请求到页面数据的原因是:
发起的第二次请求该页面的个人信息时,服务器不能识别该请求是否是登陆状态的请求
cookie是用来记录客户端相关状态
因此需要使用session对象来保存cookie
session对象的作用是
- 可以发送请求
- 如果请求过程中产生了cookie,cookie将会自动保存在session对象中,在下次请求中,使用有cookie的session对象请求,即可获得个人信息
import requests
session = requests.Session()
res = session.get(url,headers=headers)
3、代理服务器
代理相关的网站:
- www.goubanjia.com
- 快代理
- 西祠代理
代理IP类型
- http : 应用到http协议中的url中
- https: 应用到https协议中的url中
proxies = {
'https':'223.242.224.3:9999'
}
res = requests.get(url,headers=headers,proxies=proxies)
代理IP匿名度
透明:服务器知道该请求使用了代理IP,也知道真实IP
匿名:服务器知道该请求使用了代理IP,但不知道真实IP
搞匿:服务器几步知道使用了代理IP,也不知道真实IP