Python爬蟲類比登入帶驗證碼網站

爬取網站時經常會遇到需要登入的問題，這是就需要用到類比登入的相關方法。python提供了強大的url庫，想做到這個並不難。這裡以登入學校教務系統為例，做一個簡單的例子。

首先得明白cookie的作用，cookie是某些網站為了辨別使用者身份、進行session跟蹤而儲存在使用者本地終端上的資料。因此我們需要用Cookielib模組來保持網站的cookie。

這個是要登陸的地址 http://202.115.80.153/ 和驗證碼地址 http://202.115.80.153/CheckCode.aspx

可以發現這個驗證碼是動態更新的每次開啟都不一樣，一般這種驗證碼和cookie是同步的。其次想識別驗證碼肯定是吃力不討好的事，因此我們的思路是首先訪問驗證碼頁面，儲存驗證碼、擷取cookie用於登入，然後再直接向登入地址post資料。

首先通過抓包工具或者Firefox或者Google瀏覽器分析登入頁面需要post的request和header資訊。以Google瀏覽器為例。

從中可以看出需要post的url並不是訪問的頁面，而是http://202.115.80.153/default2.aspx，

其中需要提交的表單資料中txtUserName和TextBox2分別使用者名稱和密碼。

現在直接到關鍵區段 上代碼！！

import urllib2import cookielibimport urllibimport reimport sys'''類比登入'''reload(sys)sys.setdefaultencoding("utf-8")# 防止中文報錯CaptchaUrl = "http://202.115.80.153/CheckCode.aspx"PostUrl = "http://202.115.80.153/default2.aspx"# 驗證碼地址和post地址cookie = cookielib.CookieJar()handler = urllib2.HTTPCookieProcessor(cookie)opener = urllib2.build_opener(handler)# 將cookies綁定到一個opener cookie由cookielib自動管理username = 'username'password = 'password123'# 使用者名稱和密碼picture = opener.open(CaptchaUrl).read()# 用openr訪問驗證碼地址,擷取cookielocal = open('e:/image.jpg', 'wb')local.write(picture)local.close()# 儲存驗證碼到本地SecretCode = raw_input('輸入驗證碼： ')# 開啟儲存的驗證碼圖片 輸入postData = {'__VIEWSTATE': 'dDwyODE2NTM0OTg7Oz6pH0TWZk5t0lupp/tlA1L+rmL83g==','txtUserName': username,'TextBox2': password,'txtSecretCode': SecretCode,'RadioButtonList1': '學生','Button1': '','lbLanguage': '','hidPdrs': '','hidsc': '',}# 根據抓包資訊 構造表單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',}# 根據抓包資訊 構造headersdata = urllib.urlencode(postData)# 產生post資料 ?key1=value1&key2=value2的形式request = urllib2.Request(PostUrl, data, headers)# 構造request請求try:response = opener.open(request)result = response.read().decode('gb2312')# 由於該網頁是gb2312的編碼，所以需要解碼print result# 列印登入後的頁面except urllib2.HTTPError, e:print e.code# 利用之前存有cookie的opener登入頁面

登入成功後便可以利用該openr訪問其他需要登入才能訪問的頁面。

