Scrapy基础(十四)————知乎模拟登陆

#-*-coding:utf-8 -*-
__author__ = "ruoniao"
__date__ = "2017/5/31 20:59"

  之前我们通过爬取伯乐在线的文章,伯乐在线对爬取没有什么限制，这次爬取知乎，就有了爬取限制，首先就是
登录限制；为破解限制，首先就是模拟登录

模拟登陆首先要明白的就是session和cookie机制:   

简单的说(个人理解):
  http是一种无状态的协议，为解决用户每次都需要输入密码登录的烦恼，也为了服务器能够记住每次请求的浏览器，就有了会话机制，

就是每次对话不需要问你是谁，浏览器只需要将服务器原先发送给浏览器的ID原封不动的还给服务器，这样服务器就可以在自己的
数据库中查找这个ID就可以，而只有这个ID是没用的，若想要用户登录,还需要用用户名和密码,加密后以cookie的形式存储在本地，

下次请求直接发送给服务器就行

  总之：为了服务器和浏览器之间互相确认身份，服务器生成一个session_id并且保存在服务器，还有给浏览器一份，浏览器将这个session_id写入cookie,

发送给服务器，服务器对照自己保存在本地的，就能互相确认身份；不同的是：cookie中还带了用户的个人信息等

　　　　
        cookie是存储在本地的记录某个网站的个人信息的机制
        session是存储在服务器中的记录某个浏览器(用户)的信息的机制，更安全；
具体理解可参考这篇文章
 

不同的网站模拟登录的策略不同，不同的网站要进行不同的分析；但都是大同小异；做过web的明白，无非就是用户的验证；较难的就是识别验证码了 

知乎的登录破解：   

    

    1:这里遇到了坑，因为在firebug中测试时，post到url时没有填写验证码；而通过requests post到URL
   具体参数时报错：验证码错误，这就很纳闷了；
    2：原来：当向首页get时，因为有cookies,所以登录时就不需要填写验证码；通过代码时没有加cookies,需要填写验证码
    而验证码不好识别，只能更换思路
    3: 模拟浏览器的行为，若当初为取的xsrf时get带上cookie，下次登录就不需要验证码了
    4：那么怎么才能将cookie post到URL呢？了解requests.post()方法的知道：post()可带的参数很多
    其中cookies= {}或CookieJar
    5:将cookies以字典的形式post方便操作，只需要在firebug中的cookies复制为字典的格式
       以CookieJar的形式：因为cookie是保存在硬盘的，可以参考这篇博文

    6：因为cookie是有生存周期的额，为了下面重新登录，可以将登录后的cookie以txt的形式保存在本地，下次直接load就可以

实例代码注释

import requests
#适合python2和python3版本的导包
try:
    import cookielib
except:
    import http.cookiejar as cookielib
import re
from urllib import parse, request

#使用会话机制向url发送request,提高效率，不必每次都发请求(类比浏览器直接在本标签页操作，不需重新产生新的标签页)
session = requests.session()
#将会话产生的cookies保存在本地
session.cookies = cookielib.LWPCookieJar(filename="cookies.txt")

#浏览器版本信息，目的是伪装成一个浏览器，让服务器认为我们的代码是一个浏览器请求而不是爬虫，避免被拒绝
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0",
    "Host":"www.zhihu.com",
    "Referer":"https://www.zhihu.com/",
}

#获取登录xsrf
def get_xsrf():

    url = "https://www.zhihu.com/#signin"

    try:
        #带上cookie,避免产生验证码识别
        req = session.get(url=url,cookies=cookies,headers=headers)
        #通过正则表达式解析出 xsrf 类比csrf机制
        xsrf = re.findall('<input type="hidden" name="_xsrf" value="(.*?)"/>',req.text)
        if xsrf:
            xsrf = xsrf[0]
            print(xsrf)
            return xsrf
        else:
            return xsrf
    except Exception as e:
        print(e)
        print("failed download")



#知乎登录
def zhihu_login(account,password):

    #首先获取xsrf
    xsrf = get_xsrf()
    #判断是手机号：以手机号登录，提交表单和提交URL不同，构造不同的URL和表单
    if re.match("d{10}",account):

        url = "https://www.zhihu.com/login/phone_num"
        data={
            "_xsrf":xsrf,
            'remember_me': 'true',
            "password":password,
            "phone_num":account
        }
    if '@' in account:
        url = "https://www.zhihu.com/login/email"
        data={
            "_xsrf":xsrf,
            'remember_me': 'true',
            "password":password,
            "email":account
        }
    #将获取到的xsrf加载到cookie中
    cookies["_xsrf"] = xsrf
    #带上表单，头信息，cookies申请登录
    r = session.post(url=url,data=data,headers=headers,cookies=cookies)
    print(r.text)
    #登录成功将cookies保存到本地
    session.cookies.save()


#获取首页;登录后可直接获取，因为session中已经(带了)加载了cookie
def get_index():
    response = session.get("https://www.zhihu.com/",headers=headers)
    print(response.status_code)
    #将首页写入本地文件
    with open("index_page.html","wb") as f:
        f.write(response.text.encode("utf-8"))
    print("write ok")

#查看登录状态;向一个只有登录的页面get,若登录会返回200；否则304，会重定向到登录页(重定向后会返回200)
def is_login():
    url = "https://www.zhihu.com/inbox"
    #allow_redirects  禁止重定向
    response  = session.get(url=url,headers=headers,allow_redirects=False)
    #判断是否登录
    if response.status_code != 200:
        return False
    else:
        return True


#先尝试本地cookie登录，不成功使用浏览器copy下来的cookies重新登录,生成本地cookies
try:
    #先尝试加载之前保存在本地的cookies
    session.cookies.load(ignore_discard=True)
    print("cookies 已记载")
except:
    #没加载就重新登录
    print("cookie 未加载")
    #这个cookie是从firebug中复制来的
    cookies = {
    "d_c0":"",
    "l_cap_id":"",
    "r_cap_id":"",
    "cap_id":"",
    "_zap":"",
    "__utmc":"",
    "__utmb":"",
    "__utmv":"",
    "__utma":"",
    "__utmz":"",
    "q_c1":""118 
}
    #调用登录函数,成功后会更新cookie到本地
    zhihu_login("342200377@qq.com","")
    #更新成功后重新加载cookies
    session.cookies.load(ignore_discard=True)


print(is_login())