爬虫之模拟登陆

模拟登陆

笔记

1.模拟登陆：爬取基于某些用户的用户信息。
2.需求：对人人网进行模拟登陆。
- ①点击登陆按钮之后会发起一个post请求
- ②post请求中会携带登陆之前录入的相关的登陆信息（用户名，密码，验证码…）
- ③验证码：每次请求都会动态变化

3.需求：爬取当前用户的相关的用户信息（个人主页中显示的用户信息）

4.http/https协议特性：无状态。

5.没有请求到对应页面数据的原因：发起的第二次基于个人主页页面请求的时候，服务器端并不知道此请求时基于登录状态下的请求

6.cookie：用来让服务器端记录客户端的相关状态。

• 手动处理：通过抓包工具获取cookie值，将该值封装到headers中（不建议）
• 自动处理：
• cookie值的来源是哪里？
  • 模拟登陆post请求后，由服务器端创建
  • session会话对象：
    • ①作用：1.可以进行请求的发送；2.如果请求过程中产生了cookie，则该cookie会被自动存储/携带在该session对象中
    • ②创建一个session对象：session=requests.Session()
    • ③使用session对象进行模拟登陆post请求进行发送（cookie就会被存储在session中）
    • ④session对象对个人主页对应的get请求进行发送（携带了cookie）

7.代理：破解ip这种反爬机制
① 什么是代理：代理服务器
② 代理的作用：突破自身ip访问的限制；可以隐藏自身真实ip免受攻击
③ 代理ip的类型：-http：应用到http协议对应的url中； -https：应用到https协议对应的url中
④代理ip的匿名度：
透明：服务器知道该次请求使用了代理，也知道请求对应的真实ip
匿名：知道使用了代理，不知道真实ip
高匿：不知道使用了代理，更不知道真实的ip

实战

模拟登陆人人网

import requests
from lxml import etree
from CodeClass import Chaojiying_Client

def getCodeText(imgPath, codeType):
    chaojiying = Chaojiying_Client('用户名', '密码', '软件ID')  # 用户中心>>软件ID 生成一个替换 96001
    im = open(imgPath, 'rb').read()  # 本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
    return chaojiying.PostPic(im, codeType)  # 1902 验证码类型  官方网站>>价格体系 3.4+版 print 后要加())
   
#1.对验证码图片进行捕获和识别
url = 'http://www.renren.com/SysHome.do'
headers = {
   
    'User-Agent':
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:86.0) Gecko/20100101 Firefox/86.0',
}
page_text = requests.get(url = url,headers=headers).text
tree = etree.HTML(page_text)
code_img_src = tree.xpath('//*[@id="verifyPic_login"]/@src')[0]
code_img_data = requests.get(url=code_img_src,