关于scrapy框架中遇到需要登录时的解决办法

Dear 丶 2022-04-23 06:40 185阅读 0赞

最近在工作中频繁遇到需要登录后才能抓取的数据，但也不是没有解决办法，以往解决办法如下：

A.  现在浏览器里登录，然后把登录后的cookie粘贴到代码中去请求，这样就相当与利用cookie"伪造"了一个分身，从而跳过登录验证。

这样往往可以解决大部分需求，但是遇到需要crontab定时爬取就显得鸡肋。cookies是有生存时间的，一旦cookies死掉那么服务器上正在跑的代码也会崩溃掉，如果还是用方法A的话，就需要手动的再去粘贴一个新的cookies。但是这对于一个程序员来说简直是不能忍，一个不能自动化运行的代码不是一个成熟的代码（对代码说的话：孩子，你已经长大了，是时候学会自己粘cookie了~.~）

基于以上问题，结合自己所学 得出plan B：

先用requests库去请求登录地址，得到response对象，然后调用response对象的 .cookies()方法 得到cookie，然后把这个cookie带入A,然后问题解决。

# -*- coding: utf-8 -*-
    
    import requests
    
    userAgent = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
    header = {
        'Referer': 'https://account.wxb.com/from=https%3A%2F%2Fdata.wxb.com%2FrankArticle%3Fcate%3D3%26page%3D1',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
    }
    
    
    def get_cookie():
        #登录时所请求的url(如果找不到此接口，先在浏览器中打开登录界面，输入一个错的账户名密码，点击登录，然后再开发者选项中就可以找到。
        #为什么要输入错的呢？因为如果正确的账户名密码点击登录会立刻进行重定向，就找不到这个接口了)
        postUrl = "https://account.wxb.com/login?from=https%3A%2F%2Fdata.wxb.com%2FrankArticle%3Fcate%3D3%26page%3D1"
    
        #模拟登录时带的帐户名，密码
        postData = {
            "email": "177*****043",
            "password": "weixiaobao123",
        }
    
        #发送请求，得到响应体
        response=requests.post(postUrl, data=postData, headers=header,verify=False)
        
        #返回cookie
        return response.cookies()

调用此方法便可返回登录后的cookie  注意：这个cookie是个RequestCookieJar的实例，而不是我们通常见到的字典类型。**这也是这个办法用起来麻烦的地方**

**重点来了，plan C:**

B中使用了response对象来返回cookie,然后每次用时需要再次设置cookies,但这样做起来显得很繁琐，下面介绍一个更简单的解决办法。

其实解决这个问题的主要方法就是维持同一个会话，也就是相当于打开一个新的浏览器选项卡而不是新开一个浏览器。但是我又不想每次设置cookies, 那该怎么办呢?这时候就有了新的利器 Session对象。  
           利用它，我们可以方便地维护一一个会话，而且不用担心cookies的问题，它会帮我们自动处理好。如下:

# -*- coding: utf-8 -*-
    
    import requests, json
    
    #注意：此get_heager方法是自己写的一个转换headers的方法。从网页上复制下来的headers是字符串型，而发送请求的headers是字典类型，为避
    #免每次手动改，就索性写了个方法自动转换，返回字典型（懒果然是驱动进步的源泉啊 ~ ^.^）最后会送上。
    from header import get_header
    
    userAgent = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
    header = {
        'Referer': 'https://account.wxb.com/?from=https%3A%2F%2Fdata.wxb.com%2FrankArticle%3Fcate%3D3%26page%3D1',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
    }
    
    
    def get_session():
    
        postUrl = "https://account.wxb.com/login?from=https%3A%2F%2Fdata.wxb.com%2FrankArticle%3Fcate%3D3%26page%3D1"
        postData = {
            "email": "177*****043",
            "password": "weixiaobao123",
        }
        
        #创建session对象
        session = requests.session()
        #使用Session对象发送登录请求，之后cookies就已经保存在Session对象中了
        session.post(postUrl, data=postData, headers=header,verify=False)
    
        header_str = '''Accept: application/json, text/plain, */*
                            Accept-Encoding: gzip, deflate, br
                            Accept-Language: zh-CN,zh;q=0.9,en;q=0.8
                            Connection: keep-alive
                            Host: data.wxb.com
                            Referer: https://data.wxb.com/rankArticle?cate=-1&page=6
                            User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36
                            X-Requested-With: XMLHttpRequest
                        '''
        #使用get_header()方法将字符串型转换为可以使用的字典型
        header1 = get_header(header_str)
        #返回携带cookies的Session对象和请求头
        return session, header1

返回Session对象以后，就可以使用该对象访问想要访问的资源了。这是框架里的一部分调用了此方法：

def parse(self, response):
            # 得到模拟登陆后的session对象和请求头
            session, header = get_session()
            for i in range(10):
                url = 'https://data.wxb.com/rank/article?category=-1&page=' + str(i + 1) + '&pageSize=20&type=2&order='
                res = session.get(url, headers=header, verify=False)
                #将得到的数据序列化
                lis = json.loads(res.text)
                print(res.text)
                for j in lis['data']:
                    item = WeixiaobaoItem()
                    read_num = j['read_num']
                    # print(read_num)
                    if read_num == u'10万+':
                        title = j['title']
                        account = j['account']
                        index_scores = j['index_scores']
                        url = j['url']
                        like_num = j['like_num']
    
                        item['title'] = title
                        item['account'] = account
                        item['index_scores'] = index_scores
                        item['read_num'] = read_num
                        item['like_num'] = like_num
                        item['url'] = url
    
                        yield item

**最后，把****headres****转换方法以及****cookies****转换方法放在这里：**

# -*- coding: utf-8 -*-
    def get_header(str):
        result = {}  # 初始化返回结果
        str_new = str.replace(': ', ':').replace('    ', '')  # 第一步，将里面的冒号空格转换为冒号,然后消掉tab
        str_list = str_new.split('\n')  # 第二部，将字符串按行分割，可能会出现列表的第一个元素和最后一个元素为空字符串的情况
        for i in str_list:
            if i:  # 做个筛选，过滤掉空字符串
                # 此时的i是字符串，现在要将它转为键值对
                temp = i.split(':')
                key = temp[0]
                value = ':'.join(temp[1:])
                result[key] = value  # 将键值对赋值给字典
        return result
    
    
    def get_cookie(str):
        result = {}
        str_new = str.replace(' ', '')
        str_list = str_new.split(';')
        for i in str_list:
            if i:
                temp = i.split('=')
                key = temp[0]
                value = ':'.join(temp[1:])
                result[key] = value  # 将键值对赋值给字典
        return result

使用方法：

header_str='''Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
    Accept-Encoding: gzip, deflate, br
    Accept-Language: zh-CN,zh;q=0.9,en;q=0.8
    Cache-Control: max-age=0
    Connection: keep-alive
    Host: www.baidu.com
    Referer: https://www.baidu.com/s?ie=UTF-8&wd=linux%20crontab
    Upgrade-Insecure-Requests: 1
    User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'''
    
    # 返回字典
    header = get_header(header_str)
    
    cookie_str='''BIDUPSID=64C64E96A29EFCD95DBC15E7B3476840; PSTM=1527935009; BAIDUID=C5854F8A373874C0FDC858FB42BB5A3E:FG=1; __cfduid=db02ba44dd85fc27f9e77e1206c5aa4251539954648; BDUSS=hYc3hpUG1MOS16RS1TNlBTSDdSS2RwWUN1dzd5bWo2NWFrRHFOaGFvY1ZsfnRiQVFBQUFBJCQAAAAAAAAAAAEAAAC6YFstwqbKwMP0NTIwAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAABUK1FsVCtRbNU; BD_UPN=12314753; MCITY=-131%3A; BAIDUCUID=gavI8gaB28YEPvaAj8SA8juf2i0_i289_uvStguq2ii9avt_gavct_uH-t_OP2tDA; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; H_PS_PSSID=26524_1454_25810_21101_28329_28414; BD_HOME=1; delPer=0; BD_CK_SAM=1; PSINO=2; sugstore=1'''
    
    # 返回字典
    cookie= get_cookie(cookie_str)