如何用 Python 爬取须要登陆的网站

 

【原文地址：】http://python.jobbole.com/83588/

 

import requests
from lxml import html


# 建立 session 对象。这个对象会保存全部的登陆会话请求。
session_requests = requests.session()



# 提取在登陆时所使用的 csrf 标记
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]

payload = {
    "username": "<你的用户名>", 
    "password": "<你的密码>", 
    "csrfmiddlewaretoken": authenticity_token # 在源代码中，有一个名为 “csrfmiddlewaretoken” 的隐藏输入标签。
}

# 执行登陆
result = session_requests.post(
    login_url, 
    data = payload, 
    headers = dict(referer=login_url)
)


# 已经登陆成功了，而后从 bitbucket dashboard 页面上爬取内容。
url = 'https://bitbucket.org/dashboard/overview'
result = session_requests.get(
    url, 
    headers = dict(referer = url)
)


# 测试爬取的内容
tree = html.fromstring(result.content)
bucket_elems = tree.findall(".//span[@class='repo-name']/")
bucket_names = [bucket.text_content.replace("n", "").strip() for bucket in bucket_elems]
 
print(bucket_names)