爬带登陆名和密码以及验证码的网站

爬取网站时经常会遇到需要登录的问题，这是就需要用到模拟登录的相关方法。python提供了强大的url库，想做到这个并不难。这里以登录学校教务系统为例，做一个简单的例子。

首先得明白cookie的作用，cookie是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据。因此我们需要用Cookielib模块来保持网站的cookie。

这个是要登陆的地址 http://202.115.80.153/ 和验证码地址 http://202.115.80.153/CheckCode.aspx

可以发现这个验证码是动态更新的每次打开都不一样，一般这种验证码和cookie是同步的。其次想识别验证码肯定是吃力不讨好的事，因此我们的思路是首先访问验证码页面，保存验证码、获取cookie用于登录，然后再直接向登录地址post数据。

首先通过抓包工具或者火狐或者谷歌浏览器分析登录页面需要post的request和header信息。以谷歌浏览器为例。

从中可以看出需要post的url并不是访问的页面，而是http://202.115.80.153/default2.aspx，

其中需要提交的表单数据中txtUserName和TextBox2分别用户名和密码。

现在直接到关键部分 上代码！！

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

import urllib2 import cookielib import urllib import re import sys '''模拟登录''' reload (sys) sys.setdefaultencoding( "utf-8" ) # 防止中文报错 CaptchaUrl = "http://202.115.80.153/CheckCode.aspx" PostUrl = "http://202.115.80.153/default2.aspx" # 验证码地址和post地址 cookie = cookielib.CookieJar() handler = urllib2.HTTPCookieProcessor(cookie) opener = urllib2.build_opener(handler) # 将cookies绑定到一个opener cookie由cookielib自动管理 username = 'username' password = 'password123' # 用户名和密码 picture = opener. open (CaptchaUrl).read() # 用openr访问验证码地址,获取cookie local = open ( 'e:/image.jpg' , 'wb' ) local.write(picture) local.close() # 保存验证码到本地 SecretCode = raw_input ( '输入验证码： ' ) # 打开保存的验证码图片 输入 postData = { '__VIEWSTATE' : 'dDwyODE2NTM0OTg7Oz6pH0TWZk5t0lupp/tlA1L+rmL83g==' , 'txtUserName' : username, 'TextBox2' : password, 'txtSecretCode' : SecretCode, 'RadioButtonList1' : '学生' , 'Button1' : '', 'lbLanguage' : '', 'hidPdrs' : '', 'hidsc' : '', } # 根据抓包信息 构造表单 headers = { 'Accept' : 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8' , 'Accept-Language' : 'zh-CN,zh;q=0.8' , 'Connection' : 'keep-alive' , 'Content-Type' : 'application/x-www-form-urlencoded' , 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36' , } # 根据抓包信息 构造headers data = urllib.urlencode(postData) # 生成post数据 ?key1=value1&key2=value2的形式 request = urllib2.Request(PostUrl, data, headers) # 构造request请求 try : response = opener. open (request) result = response.read().decode( 'gb2312' ) # 由于该网页是gb2312的编码，所以需要解码 print result # 打印登录后的页面 except urllib2.HTTPError, e: print e.code # 利用之前存有cookie的opener登录页面

登录成功后便可以利用该openr访问其他需要登录才能访问的页面。