scrapy模拟登录

学习目标：

1. 应用 请求对象cookies参数的使用
2. 了解 start_requests函数的做用
3. 应用 构造并发送post请求

---

1. 回顾以前的模拟登录的方法

1.1 requests模块是如何实现模拟登录的？

1. 直接携带cookies请求页面
2. 找url地址，发送post请求存储cookie

1.2 selenium是如何模拟登录的？

1. 找到对应的input标签，输入文本点击登录

1.3 scrapy的模拟登录

1. 直接携带cookies
2. 找url地址，发送post请求存储cookie

2. scrapy携带cookies直接获取须要登录后的页面

应用场景

1. cookie过时时间很长，常见于一些不规范的网站
2. 能在cookie过时以前把全部的数据拿到
3. 配合其余程序使用，好比其使用selenium把登录以后的cookie获取到保存到本地，scrapy发送请求以前先读取本地cookie

2.1 实现：重构scrapy的starte_rquests方法

scrapy中start_url是经过start_requests来进行处理的，其实现代码以下

# 这是源代码
def start_requests(self):
    cls = self.__class__
    if method_is_overridden(cls, Spider, 'make_requests_from_url'):
        warnings.warn(
            "Spider.make_requests_from_url method is deprecated; it "
            "won't be called in future Scrapy releases. Please "
            "override Spider.start_requests method instead (see %s.%s)." % (
                cls.__module__, cls.__name__
            ),
        )
        for url in self.start_urls:
            yield self.make_requests_from_url(url)
    else:
        for url in self.start_urls:
            yield Request(url, dont_filter=True)
复制代码

因此对应的，若是start_url地址中的url是须要登陆后才能访问的url地址，则须要重写start_request方法并在其中手动添加上cookie

2.2 携带cookies登录github

测试帐号 noobpythoner zhoudawei123

import scrapy
import re

class Login1Spider(scrapy.Spider):
    name = 'login1'
    allowed_domains = ['github.com']
    start_urls = ['https://github.com/NoobPythoner'] # 这是一个须要登录之后才能访问的页面

    def start_requests(self): # 重构start_requests方法
        # 这个cookies_str是抓包获取的
        cookies_str = '...' # 抓包获取
        # 将cookies_str转换为cookies_dict
        cookies_dict = {i.split('=')[0]:i.split('=')[1] for i in cookies_str.split('; ')}
        yield scrapy.Request(
            self.start_urls[0],
            callback=self.parse,
            cookies=cookies_dict
        )

    def parse(self, response): # 经过正则表达式匹配用户名来验证是否登录成功
        # 正则匹配的是github的用户名
        result_list = re.findall(r'noobpythoner|NoobPythoner', response.body.decode()) 
        print(result_list)
        pass
复制代码

注意：

1. scrapy中cookie不可以放在headers中，在构造请求的时候有专门的cookies参数，可以接受字典形式的coookie
2. 在setting中设置ROBOTS协议、USER_AGENT

3. scrapy.Request发送post请求

咱们知道能够经过scrapy.Request()指定method、body参数来发送post请求；可是一般使用scrapy.FormRequest()来发送post请求

3.1 发送post请求

注意：scrapy.FormRequest()可以发送表单和ajax请求，参考阅读 www.jb51.net/article/146…

3.1.1 思路分析

1. 找到post的url地址：点击登陆按钮进行抓包，而后定位url地址为https://github.com/session

2. 找到请求体的规律：分析post请求的请求体，其中包含的参数均在前一次的响应中

3. 否登陆成功：经过请求我的主页，观察是否包含用户名

3.1.2 代码实现以下：

import scrapy
import re

class Login2Spider(scrapy.Spider):
   name = 'login2'
   allowed_domains = ['github.com']
   start_urls = ['https://github.com/login']

   def parse(self, response):
       authenticity_token = response.xpath("//input[@name='authenticity_token']/@value").extract_first()
       utf8 = response.xpath("//input[@name='utf8']/@value").extract_first()
       commit = response.xpath("//input[@name='commit']/@value").extract_first()
        
        #构造POST请求，传递给引擎
       yield scrapy.FormRequest(
           "https://github.com/session",
           formdata={
               "authenticity_token":authenticity_token,
               "utf8":utf8,
               "commit":commit,
               "login":"noobpythoner",
               "password":"***"
           },
           callback=self.parse_login
       )

   def parse_login(self,response):
       ret = re.findall(r"noobpythoner|NoobPythoner",response.text)
       print(ret)
复制代码

小技巧

在settings.py中经过设置COOKIES_DEBUG=TRUE 可以在终端看到cookie的传递传递过程

---

小结

1. start_urls中的url地址是交给start_request处理的，若有必要，能够重写start_request函数
2. 直接携带cookie登录：cookie只能传递给cookies参数接收
3. scrapy.Request()发送post请求