爬带登陆名和密码以及验证码的网站

爬取网站时经常会遇到需要登录的问题，这是就需要用到模拟登录的相关方法。python提供了强大的url库，想做到这个并不难。这里以登录学校教务系统为例，做一个简单的例子。

首先得明白cookie的作用，cookie是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据。因此我们需要用Cookielib模块来保持网站的cookie。

这个是要登陆的地址 http://202.115.80.153/ 和验证码地址 http://202.115.80.153/CheckCode.aspx

可以发现这个验证码是动态更新的每次打开都不一样，一般这种验证码和cookie是同步的。其次想识别验证码肯定是吃力不讨好的事，因此我们的思路是首先访问验证码页面，保存验证码、获取cookie用于登录，然后再直接向登录地址post数据。

首先通过抓包工具或者火狐或者谷歌浏览器分析登录页面需要post的request和header信息。以谷歌浏览器为例。

爬带登陆名和密码以及验证码的网站

从中可以看出需要post的url并不是访问的页面，而是http://202.115.80.153/default2.aspx，

其中需要提交的表单数据中txtUserName和TextBox2分别用户名和密码。

现在直接到关键部分上代码！！

import

urllib2

import

cookielib

import

urllib

import

re

import

sys

'''模拟登录'''

reload(sys)

sys.setdefaultencoding("utf-8")

#
防止中文报错

CaptchaUrl
=

"http://202.115.80.153/CheckCode.aspx"

PostUrl
=

"http://202.115.80.153/default2.aspx"

#
验证码地址和post地址

cookie
=

cookielib.CookieJar()

handler
=

urllib2.HTTPCookieProcessor(cookie)

opener
=

urllib2.build_opener(handler)

#
将cookies绑定到一个opener cookie由cookielib自动管理

username
=

'username'

password
=

'password123'

#
用户名和密码

picture
=

opener.open(CaptchaUrl).read()

#
用openr访问验证码地址,获取cookie

local
=

open('e:/image.jpg',
'wb')

local.write(picture)

local.close()

#
保存验证码到本地

SecretCode
=

raw_input('输入验证码：
')

#
打开保存的验证码图片 输入

postData
=

{

'__VIEWSTATE':
'dDwyODE2NTM0OTg7Oz6pH0TWZk5t0lupp/tlA1L+rmL83g==',

'txtUserName':
username,

'TextBox2':
password,

'txtSecretCode':
SecretCode,

'RadioButtonList1':
'学生',

'Button1':
'',

'lbLanguage':
'',

'hidPdrs':
'',

'hidsc':
'',

}

#
根据抓包信息 构造表单

headers
=

{

'Accept':
'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',

'Accept-Language':
'zh-CN,zh;q=0.8',

'Connection':
'keep-alive',

'Content-Type':
'application/x-www-form-urlencoded',

'User-Agent':
'Mozilla/5.0
(Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36',

}

#
根据抓包信息 构造headers

data
=

urllib.urlencode(postData)

#
生成post数据 ?key1=value1&key2=value2的形式

request
=

urllib2.Request(PostUrl, data, headers)

#
构造request请求

try:

response
=

opener.open(request)

result
=

response.read().decode('gb2312')

#
由于该网页是gb2312的编码，所以需要解码

print

result

#
打印登录后的页面

except

urllib2.HTTPError, e:

print

e.code

#
利用之前存有cookie的opener登录页面

登录成功后便可以利用该openr访问其他需要登录才能访问的页面。