Python爬虫实战之（四）| 模拟登陆京东商城

做者：xiaoyu
微信公众号：Python数据科学
知乎：Python数据分析师

---

解读爬虫中HTTP的秘密（基础篇）
解读爬虫中HTTP的秘密（高阶篇）

前两篇和你们分享了爬虫中http的一些概念和使用方法，基础篇咱们主要介绍了http的请求头，高级篇咱们主要介绍了cookie和session（具体能够点击上面连接进行回顾）。但其实在爬虫中还有不少关于http的内容须要了解，例如 token，oauth等。对于这些概念博主将在后续文章中逐一的详细介绍，本篇主要针对前两篇内容与你们分享一个模拟登陆的实战例子。

开始想以知乎为例，可是看到网上关于知乎模拟登陆的教程太多了，因此就以“京东”为例。

你们都知道，京东是不须要登陆就能够访问主页内容的，所以模拟登陆的意义在于查看我的信息，好比能够获取我的的交易信息（购物车商品，购物历史记录，待收货商品信息等），或者卖家的商品销售信息和评论等等。

好了，了解背景事后，让咱们开始模拟登陆吧。

准备工做

你们都知道，模拟登陆其实就是经过http的post请求方式来提交用户信息的（用户名和密码）。对于浏览器而言，只输入用户名和密码就能够登录了（偶尔有验证码），那是由于浏览器在背后都帮你处理好了。而爬虫的模拟登陆过程须要咱们本身解决，所以咱们须要弄清楚浏览器的那些背后操做是如何进行的才能对症下药。

难点分析：

• 寻找提交表单所需字段信息
• cookie信息的获取和使用
• 验证码的处理

咱们打开浏览器，博主用的Chrome浏览器。首先使用Ctrl+Shift+N进入干净的无痕模式，防止以前的cookie数据形成干扰。

输入了京东的登录网址 https://passport.jd.com/new/l...，进入以下登陆界面。

表单字段信息

如今咱们经过开发者工具来看看浏览器背后都干了什么吧。有的朋友提问到，输入用户名和密码后页面直接跳转到主页面了，看不到咱们要的数据了。其实这里只须要故意将你的密码输错不进入跳转就能够解决了。

点击登陆，而后咱们看到有个FormData，这就是浏览器每次向服务器提交的表单信息。

第一眼看过去感受快要无望了。可是别着急，这些字段信息其实都是有处可寻的。咱们Ctrl+U打开京东登陆页面的源码里，而后Ctrl+F 试着搜一搜这些字段信息。

先搜第一个uuid字段，发现它就在源码中，紧着后面是一些其它的字段信息，那就齐活了。咱们看到除了loginname，nloginpwd，authcode，其余的字段全都是hidden的类型，也就是被隐藏了的字段。

好了，那下一步就天然知道干什么了。咱们能够直接请求登陆页面源码提取字段信息了。

Cookie的处理

Cookie能够经过使用http的Cookiejar定制opener进行获取，也能够直接使用requests模块来实现。

requests模块实现起来比较方便，由于内部已经封装好了自动处理Cookie的功能。第一次发送请求能够经过服务器获取Cookie，后续的请求则会自动带着已获取的Cookie信息进行发送。固然，也能够手动添加Cookie，手动添加的Cookie优先级高，将会覆盖默认的信息。

为了说明模拟登陆的用法，本篇博主将使用简便的requests模块来完成对Cookie的处理。

验证码的处理

验证码的处理方法也有多种，能够分为自动识别的和手动识别。

• 手动处理验证码就是经过验证码连接将验证码图片下载到本地，而后手动敲入完成信息录入。
• 自动识别是使用一些高级的算法技术来完成的，可使用OCR智能图文识别，机器学习进行识别训练等。

本篇将选择手动录入验证码，旨在理解模拟登陆的过程。

代码实现

初始信息配置

• 建立了一个JD_crawl的类，设置了实例的headers和session会话对象，以及三个后面请求须要用到的url。
• 由于整个登陆是一个完整的过程，因此后续若干请求须要共同使用同一个session会话对象。

提取表单登陆信息

• 首先对登陆的login_url发起请求，获取登录页面源码后经过BeautifulSoup解析工具ccs选择器来提取隐藏字段信息。
• loginname，nloginpwd，authcode三个非隐藏字段须要用户手动录入。
• 对因而否须要录入验证码的问题，能够经过请求https://passport.jd.com/uc/sh...（代码中的auth_url）来判断。

请求结果是一个以下格式的字符串。

请求结果： ({"verifycode":xxx})
xxx：true 或者 false

所以能够简单的查看结果中是否有true来判断是否须要验证码。

• 若是为true就须要调用验证码函数方法，将验证码图片下载，输入图片上的验证码，并赋给authcode字段进行表单提交完成登陆。
• 若是为false则不须要验证码，authcode字段为空字符串。

通常当咱们屡次输入了错误的帐号或密码时，构成安全危险，就会提示输入验证码。

获取验证码

• 从源码获取的验证码连接是一个相对连接src2

src2="//authcode.jd.com/verify/image?a=1&acid=dcb4370b-2763-44e6-83ff-4b89bc01193d&uid=dcb4370b-2763-44e6-83ff-4b89bc01193d"

所以，咱们须要将它补全，在src2前面拼接字符串 http: 。可是当咱们尝试这个url的时候会发现图片并无下载成功，为何呢？

由于还须要在结尾加上时间戳，接着看后边的 onclick，它的字符串中有和src2彻底同样的连接，但在结尾处多了 &yys= ''。经过观察内容发现有 date 和 time 字样，因而能够判断这多是一个时间戳字符串。

onclick="this.src= document.location.protocol +'//authcode.jd.com/verify/image?a=1&acid=dcb4370b-2763-44e6-83ff-4b89bc01193d&uid=dcb4370b-2763-44e6-83ff-4b89bc01193d&yys='+new Date().getTime();$('#authcode').val('');"

小提示：

时间戳(引自百度百科)：

时间戳是指格林威治时间1970年01月01日00时00分00秒(北京时间1970年01月01日08时00分00秒)起至如今的总秒数。

时间戳在Python中能够用time模块来完成：

time.time()*1000

• 将验证码图片存为jpg格式，储存在项目文件目录下。

能够看到图片就在目录下，咱们双击打开而后按照图片输入验证码。

模拟登陆

• 根据获取的表单登陆信息进行提交登陆。
• 请求的url是 https://passport.jd.com/uc/lo...
• 注意这里的 Service 中的 "S" 是大写。

若是登陆成功，则会显示如下字符串。

({"success":"http://www.jd.com"})

登陆验证及结果

为了验证登陆真的成功了，现将博主的购物车拿出来作实验，若是在获取源码中找到了指定商品名称，那么就说明成功了。

好吧，都是以前随便放的，就以牙线为测试目标吧。

简单的请求了一下购物车url。在下载的源码中搜索“牙”，而后找了目标。

代码连接：https://github.com/xiaoyusmd/...

总结

本篇主要介绍了京东商城的模拟登陆方法，固然还有一些网站的登陆机制比较复杂，好比weibo登陆须要调用api，须要咱们详细阅读api说明。

后续将会分享更多模拟登陆的内容，欢迎你们指正。

参考连接：
https://github.com/xchaoinfo/...
http://blog.csdn.net/weixin_3...

---

关注微信公众号Python数据科学，获取 120G 人工智能 学习资料。