Python爬虫个人记录（四）利用Python在豆瓣上写一篇日记

涉及关键词：requests库 requests.post方法 cookies登陆

version 1.5（附录）：使用post方法登陆豆瓣，成功！缺点：无法获得登陆成功后的cookie,要使用js等方法来获得cookie,放弃

versoin 2.0（附录）: 使用selenium模拟浏览器登陆豆瓣，使用浏览器自动加载js,并成功获取cookies，可以为后来浏览使用，可行，成功！

一、目的分析

利用cookie登陆豆瓣，并写一篇日记
https://www.douban.com/note/636142594/

二、步骤分析

1、使用浏览器登陆豆瓣，得到并分析cookie

2、使用cookie模拟登陆豆瓣（使用账号密码登陆也可以，需要验证码，cookie的时效一般就几天）

3、分析浏览器写日记行为，在python中模拟post行为

4、源码及测试

三、scrapy shell 模拟登陆

1、使用浏览器登陆豆瓣，在fidder中获得cookie

cookie中有许多项（并不是全部需要），经过一条条测试，发现只要包含’dbcl2’就能登录

2、打开scrapy shell 测试登陆

　　模拟浏览器User-Agent和cookies

$ scrapy shell
...
from scrapy import Request
cookies = {'dbcl2':'"164753551:kjyoTNgwwII"'}
headers={'User-Agent':'Mozilla/5.0'}
req = Request('https://www.douban.com/mine/', headers=headers,cookies = cookies)
fetch(req)
#使用浏览器检查元素得到xpath（方法参考爬虫（一）（二））（日记内容权限未自己可见，若可看见日记内容便模拟登陆成功）
>>> response.xpath('//*[@id="note_636142594_short"]').extract()
['<div class="note" id="note_636142594_short">Hello Douban</div>']
>>> response.xpath('//*[@id="note_636142594_short"]/text()').extract()
['Hello Douban']
>>>

得到日记内容，可见模拟登陆成功，cookie可用

四、python 写豆瓣日记

1、使用浏览器写日记，并在fidder中观察行为

发现浏览器进行了POST https://www.douban.com/note/create HTTP/1.1的行为

post 的内容是ck=BsJH&note_id=636142544&note_title=test_2&note_text=hello2&author_tags=&note_privacy=P

ck=BsJH 是cookie中的一个值

note_id=636142544（估计是用户id，直接照抄）

note_id=636142544&note_title=test_2&note_text=hello2（标题，以及内容）

另外三个参数不重要，使用默认就行

2、使用python模拟post行为

#post 所需要的参数

requests.post(url = url,data = data,headers=headers,verify=False,cookies = cookies)

五、源码及测试

源码

 import requests
 ### 、首先登陆任何页面，获取cookie #使用requests打开https时会产生warming，加上这句屏蔽
 requests.packages.urllib3.disable_warnings() headers = dict()
 headers['User-Agent'] = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.3387.400 QQBrowser/9.6.11984.400' cookies = dict()
 cookies = {#'ll':'"118201"',
             #'bid':'PUWFXi53MHA',
             #'_ga':'GA1.2.1759080547.1501749204',
             #'__yadk_uid':'rjmLGzYjJuHI5lHNHJX3lOgBAltgb5Xy',
             #'gr_user_id':'16c2c492-9e32-4af2-9c35-230e8d43db06',
             #'ps':'y',
             #'_pk_ref.100001.8cb4':'%5B%22%22%2C%22%22%2C1504529257%2C%22https%3A%2F%2Faccounts.douban.com%2Flogin%3Fredir%3Dhttps%253A%252F%252Fwww.baidu.com%252Flink%253Furl%253DEh3nGSbWZ6S0P2OQc7QHrEzCkdwJewBLjFnBpRTRwKv4QwoLScCwKCSh9iQFeDAx%2526wd%253D%2526eqid%253D8191d1c1000627560000000359ad43f4%22%5D',
             #'ap':'',
             #'_vwo_uuid_v2':'57D26B154CE7E363177CFD5F35F06F34|e63fa1bfe4c07598b6454ae2a97166cb',
             'dbcl2':'"164753551:kjyoTNgwwII"'
             #'ck':'osar',
             #'_pk_id.100001.8cb4':'70e88acbc88cb16d.1501749196.11.1504530290.1504527380.',
             #'_pk_ses.100001.8cb4':'*',
             #'push_noty_num':'',
             #'push_doumail_num':'',
             #'__utma':'30149280.1759080547.1501749204.1504529257.1504530054.20',
             #'__utmb':'30149280.5.10.1504530054',
             #'__utmc':'',
             #'__utmz':'30149280.1504530054.20.16.utmcsr',
             #'__utmv':'30149280.16475'
             } data = {'ck':'BsJH',
         'note_id':'',
         'note_title':'HelloPython',
         'note_text':'HelloPython'
         #'author_tags':'',
         #'note_privacy':'P'
     }
 url = 'https://www.douban.com/note/create'
 #注意访问https链接时要加上verify=False参数，否则回报错
 ret = requests.post(url = url,
                     data = data,
                     headers=headers,
                     verify=False,
                     cookies = cookies
                     )
 print(ret.text[:])
 print(ret.cookies.get_dict())

测试结果

大功告成！

五、总结分析

1、这次使用cookie登陆免去了验证码麻烦，下次希望能研究验证码的破解

2、cookie的使用时间有限，隔一段时间就要更换

3、requests对https的限制挺严格的，需要加入verify=False，并且要屏蔽警告信息

　　#使用requests打开https时会产生warming，加上这句屏蔽
　　requests.packages.urllib3.disable_warnings()

附录（一）

vesion 1.5

import requests
from lxml import etree
import time#使用requests打开https时会产生warming，加上这句屏蔽
requests.packages.urllib3.disable_warnings()def get_github_html(url):
    '''
    这里用于获取登录页的html，以及cookie
    :param url: https://github.com/login
    :return: 登录页面的HTML,以及第一次的cookei
    '''
    response = requests.get(url,verify=False)
    first_cookie = response.cookies.get_dict()
    return response.text,first_cookiedef get_token(html,xrule):
    '''
    处理登录后页面的html
    :param html:
    :return: 获取csrftoken
    '''
    selector = etree.HTML(html)
    token = selector.xpath(xrule)[0]
    #print(token)    return tokendef gihub_login(url,cookie):
    '''
    这个是用于登录
    :param url: https://github.com/session
    :param token: csrftoken
    :param cookie: 第一次登录时候的cookie
    :return: 返回第一次和第二次合并后的cooke
    '''    data={
        "source":"movie",
        "redir":"https://movie.douban.com/chart",
        "form_email":"***********",
        "form_password":"***********",
        "login":u'登录',
        "remember":"on"
    }
    response = requests.post(url,data=data,cookies=cookie,verify=False)
    print(response.status_code)
    print(response.url)
    print(response.cookies.get_dict())
    cookie2 = response.cookies.get_dict()
    #这里注释的解释一下，是因为之前github是通过将两次的cookie进行合并的
    #现在不用了可以直接获取就行
    cookie.update(cookie2)
    print(cookie)
    #print(response.text)
    return cookieif __name__ == '__main__':
    Base_URL = "https://movie.douban.com/?_t_t_t=0.6509884103763016"
    Login_URL = "https://www.douban.com/accounts/login"
    html,cookie = get_github_html(Base_URL)
    print(cookie)
    #xrule = '//*[@id="login"]/form/div[1]/input[2]/@value'
    #token = get_token(html,xrule)
    #print(token)
    time.sleep(3)
    cookie2 = gihub_login(Login_URL,cookie)
    time.sleep(3)
    response = requests.get("https://www.douban.com/mine/",verify=False,cookies=cookie2)
    print(response.cookies.get_dict())
    print(response.url,response.status_code)
    #print(response.text)