python 黑板课爬虫闯关-第四关

这关我慢慢悠悠的做了两天才搞出来，思路太重要了；下面是我最终的代码，写的很烂很low，凑合看吧。这过程中走了不少弯路，思路有问题，给自己出了不少难题，最后发现是自己想复杂了。

用到的技术：

字符串、列表、集合、字典等基础操作

requests模块的get、post、session等用法

多线程、以及获取多线程返回值

import re,requests,time
from lxml import html
etree=html.etree
import threading
class MyThread(threading.Thread): 

    def __init__(self,func,args=()):
        super(MyThread,self).__init__()
        self.func = func
        self.args = args

    def run(self):
        self.result = self.func(*self.args)

    def get_result(self):
        try:
            return self.result  # 如果子线程不使用join方法，此处可能会报没有self.result的错误
        except Exception:
            return None

def main():
    # 访问第三关自动跳转到了这个url，所以首先需要登录
    url_login = 'http://www.heibanke.com/accounts/login/?next=/lesson/crawler_ex03/'
    # 登录成功后，访问第三关url
    url = 'http://www.heibanke.com/lesson/crawler_ex03/'
    # 因为需要通过带着cookie去访问，以便做到会话保持，所以这里用requests.session来做
    session = requests.Session()
    # 获取cookie
    session.get(url_login)
    # 获取csrftoken
    token = session.cookies['csrftoken']
    # 将用户名密码和csrftoken一起提交给登录页面
    session.post(url_login, data={'csrfmiddlewaretoken': token, 'username': 'tianlegg', 'password': '123456'})
    # 登录成功后，携带了token再来访问页面会看到第三关内容，和第二关一样，只不过每次提交时同样需要带着csrftoken，否则还是会报错
    l=[]
    count=0
    while True:
        thread_list = []
        # 网站有限制，每个请求都会夯住15s，并且15秒内的并发最大为2，超出的话就会返回404，所以这里就起2个线程去请求
        for i in range(2):
            t = MyThread(get_pos_values, args=(session,))
            thread_list.append(t)
            t.start()

        for my_thread in thread_list:
            my_thread.join()  # 一定要join，不然主线程比子线程跑的快，会拿不到结果
            print('多线程运行结果：',my_thread.get_result())
            # 把每次双线程运行返回的列表++
            l = l + my_thread.get_result()
        print('本轮累加的pos+pwd列表，长度：',len(l),l)

        # k是所有pos
        k=l[::2]
        # v是所有value
        v=l[1::2]
        # 当去重后pos的长度为100时，说明1-100已经够了
        if len(set(k))==100:
            # 把pos和value合并为字典，字典中不会出现重复的key，所以不需要再去重了。
            dic=dict(zip(k, v))
            session.get(url)
            new_token = session.cookies['csrftoken']
            # 循环1-100，作为key，去获取字典中的value最后拼接起来
            password=''.join([dic[str(i)] for i in range(1, 101)])
            print('over！,密码是：',password)
            # 将csrftoken和用户名密码一同提交
            page_text=session.post(url=url,data={'csrfmiddlewaretoken': new_token, 'username': 'tianlegg', 'password': password}).text
            # 通过xpath获取通关文本，下一关url并没有在页面里，自己在去访问ex04吧
            tree=etree.HTML(page_text)
            print(tree.xpath('//h3/text()')[0])
            break
        count=count+1
        print(f'第{count}轮循环
去重后的长度{len(sorted(set(k),key=int))} pos：{sorted(set(k),key=int)}')
def get_pos_values(session):
    '''
    获取页面中的pos和pwd并返回list
    :param session:
    :return:
    '''
    page_text=session.get(url='http://www.heibanke.com/lesson/crawler_ex03/pw_list/').text
    tree = etree.HTML(page_text)
    return tree.xpath('//table[@class="table table-striped"]//td/text()')

if __name__ == '__main__':
    main()

 开始运行时：

多线程运行结果： ['38', '8', '97', '6', '34', '7', '83', '5', '84', '7', '79', '1', '71', '2', '72', '5']
多线程运行结果： ['69', '0', '22', '6', '15', '9', '73', '3', '76', '1', '9', '4', '53', '4', '67', '3']
本轮累加的pos+pwd列表，长度： 32 ['38', '8', '97', '6', '34', '7', '83', '5', '84', '7', '79', '1', '71', '2', '72', '5', '69', '0', '22', '6', '15', '9', '73', '3', '76', '1', '9', '4', '53', '4', '67', '3']
第1轮循环
去重后的长度16 pos：['9', '15', '22', '34', '38', '53', '67', '69', '71', '72', '73', '76', '79', '83', '84', '97']

 结果：（跑了50次15秒才获取完1-100的pos，这个次数是随机的，这里通过多线程已经缩短了一半的时间）

 密码是4894613647990394874326048437134877661813696344916326470648993670283105253381901613579433963964296911