如何用 Python 爬取需要登入的網站?,python登入
(點擊上方藍字,快速關注我們)
英文:Tzahi Vidas 編譯: 伯樂線上 - ebigear
http://python.jobbole.com/83588/
最近我必須執行一項從一個需要登入的網站上爬取一些網頁的操作。它沒有我想象中那麼簡單,因此我決定為它寫一個輔助教程。
在本教程中,我們將從我們的bitbucket賬戶中爬取一個項目列表。
教程中的代碼可以從我的 Github 中找到。
我們將會按照以下步驟進行:
提取登入需要的詳細資料
執行網站登入
爬取所需要的資料
在本教程中,我使用了以下包(可以在 requirements.txt 中找到):
requests
lxml
步驟一:研究該網站開啟登入頁面
進入以下頁面 “bitbucket.org/account/signin”。你會看到如所示的頁面(執行登出,以防你已經登入)
仔細研究那些我們需要提取的詳細資料,以供登入之用
在這一部分,我們會建立一個字典來儲存執行登入的詳細資料:
1. 右擊 “Username or email” 欄位,選擇“查看元素”。我們將使用 “name” 屬性為 “username” 的輸入框的值。“username”將會是 key 值,我們的使用者名稱/電子郵箱就是對應的 value 值(在其他的網站上這些 key 值可能是 “email”,“ user_name”,“ login”,等等)。
2. 右擊 “Password” 欄位,選擇“查看元素”。在指令碼中我們需要使用 “name” 屬性為 “password” 的輸入框的值。“password” 將是字典的 key 值,我們輸入的密碼將是對應的 value 值(在其他網站key值可能是 “userpassword”,“loginpassword”,“pwd”,等等)。
3. 在原始碼頁面中,尋找一個名為 “csrfmiddlewaretoken” 的隱藏輸入標籤。“csrfmiddlewaretoken” 將是 key 值,而對應的 value 值將是這個隱藏的輸入值(在其他網站上這個 value 值可能是一個名為 “csrftoken”,“ authenticationtoken” 的隱藏輸入值)。列如:“Vy00PE3Ra6aISwKBrPn72SFml00IcUV8”。
最後我們將會得到一個類似這樣的字典:
payload = {
"username": "<USER NAME>",
"password": "<PASSWORD>",
"csrfmiddlewaretoken": "<CSRF_TOKEN>"
}
請記住,這是這個網站的一個具體案例。雖然這個登入表單很簡單,但其他網站可能需要我們檢查瀏覽器的請求日誌,並找到登入步驟中應該使用的相關的 key 值和 value 值。
步驟2:執行登入網站
對於這個指令碼,我們只需要匯入如下內容:
import requests
from lxml import html
首先,我們要建立 session 對象。這個對象會允許我們儲存所有的登入工作階段請求。
session_requests = requests.session()
第二,我們要從該網頁上提取在登入時所使用的 csrf 標記。在這個例子中,我們使用的是 lxml 和 xpath 來提取,我們也可以使用Regex或者其他的一些方法來提取這些資料。
login_url = "https://bitbucket.org/account/signin/?next=/"
result = session_requests.get(login_url)
tree = html.fromstring(result.text)
authenticity_token = list(set(tree.xpath("//input[@name='csrfmiddlewaretoken']/@value")))[0]
**