网络爬虫之requests模块的使用+Github自动登入认证

2023-01-18 07:20:37

　　　本篇博客将带领大家梳理爬虫中的requests模块，并结合Github的自动登入验证具体讲解requests模块的参数。

一.引入：

　　　我们先来看如下的例子，初步体验下requests模块的使用：

response = requests.get("http://dig.chouti.com/")

print(type(response))

print(response.status_code)

print(response.encoding)

print(response.cookies)

打印结果如下：　

以上代码我们请求了本站点的网址，然后打印出了返回结果的类型，状态码，编码方式，Cookies等内容。

二.Get请求

1.基本get请求：只需要传入待访问的url地址即可访问,response.text返回的是网页的字符串源代码

import requests

response=requests.get('http://dig.chouti.com/')

print(response.text, type(response.text))

如果我们需要访问图片，音频，视频等二进制数据，那么就使用response.content即可。

2.带参数的GET请求->params

#在请求头内将自己伪装成浏览器，否则百度不会正常返回页面内容，这里使用headers参数；

# 在实际生产环境下，我们通常使用一个开源的库:fake-useragent；

使用方法如下：

pip install fake-useragent或者pip3 install fake-useragent

使用该库可以伪装成各大浏览器的请求：

from fake_useragent import UserAgent

ua = UserAgent()

# ie浏览器的user agent

print(ua.ie)

# opera浏览器

print(ua.opera)

# Chrome浏览器

print(ua.chrome)

# firefox浏览器

print(ua.firefox)

# safri浏览器

print(ua.safari)

最实用的

但我认为写爬虫最实用的是可以随意变换headers，一定要有随机性。在这里我写了三个随机生成user agent，三次打印都不一样，随机性很强，十分方便。

from fake_useragent import UserAgent

ua = UserAgent()

print(ua.random)

print(ua.random)

print(ua.random)

爬虫中具体使用方法

import requests

from fake_useragent import UserAgent

ua = UserAgent()

headers = {'User-Agent': ua.random}

url = '待爬网页的url'

resp = requests.get(url, headers=headers)

#省略具体爬虫的解析代码，大家可以回去试试

...

如果查询关键词是中文或者有其他特殊符号，则不得不进行url编码，例如我在百度中输入关键词美女，那么就要使用urllib模块的urlencode方法对文中进行编码了，如下所示：

from urllib.parse import urlencode

params = {

'wd': '美女',

}

url = 'https://www.baidu.com/s?%s' % urlencode(params, encoding='utf-8')

print(url) # 打印结果：https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3

我们去浏览器中观察下，看是否满足我们的预期：

实际上，requests模块已经帮我们封装好了上面的过程，直接使用params参数即可，继续看下面的代码，我们在百度中输入美女，然后向后翻页，观察此时浏览器中的地址变化：

同时观察Chrome浏览器中Network的变化：

通常在Query String Parameters里面的参数都是需要跟在url地址栏中的，这就是为什么我们刚才在浏览器中看到如下的地址：

https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3&pn=10；pn=10表示我们向后翻到了第2页，针对这种情况，我们直接使用

params参数，代码如下：

import requests

url = 'https://www.baidu.com/s?'

response = requests.get(url, params={

    'wd': '美女',

    'pn': '10'

    }, headers={

        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36'

})

print(response.text)

# 在这里将网页的源代码写入到文件中即可，然后我们打开test.html，结果证明与我们上面的截图是类似的

with open("test.html", "w", encoding="utf-8") as file_obj:

    file_obj.write(response.text)

3、带参数的GET请求->headers # 注意清楚掉Chrom浏览器的cookie:Ctrl+Shift+Delete 快捷键

#通常我们在发送请求时都需要带上请求头，请求头是将自身伪装成浏览器的关键，常见的有用的请求头如下：
以下参数在Request Headers中：

Host

Referer #大型网站通常都会根据该参数判断请求的来源，主要是为了防止盗链
该参数表示你访问我这个网站，那你是从哪个链接跳转过来的，一般通过该参数防止盗链接
User-Agent #客户端，上面已经说过

Cookie #Cookie信息虽然包含在请求头里，但requests模块有单独的参数来处理他，headers={}内就不要放它了

代码示例如下：

#添加headers(服务器会识别请求头,不加可能会被拒绝访问,比如访问https://www.zhihu.com/explore)

import requests

response=requests.get('https://www.zhihu.com/explore')

response.status_code #

#自己定制headers

headers={

    'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36',

}

respone=requests.get('https://www.zhihu.com/explore',

                     headers=headers)

print(respone.status_code) #

4、带参数的GET请求->cookies

我们以Github为例进行说明，输入正确的用户名和密码后，会跳转到github的首页，我们查看github.com的network选项，发现cookie中存在一个user_session,那么之后再进入github进行其他的操作就不用输入用户名和密码了。这里登入后，我们来查看笔者主页下面的star项目，然后判断知道创宇的爬虫题目在不在里面，只要能够正常拿到登入的cookie，那么我们就可以使用requests模块进行请求了，来看看如下的代码：

reponse = requests.get('https://github.com/scalershare?tab=stars',

                       headers={

                           'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',

                       },

                       cookies={

                           'user_session': 'Ep7pf6npoofRzwWjUIFt7u8plrmYjFVPoOVy0-j8e9KtkvCM'

                       }

                       )

print('知道创宇爬虫题目 持续更新版本' in reponse.text) # 打印结果为True
表示我们直接拿到了正确登入的cookie，从而可以直接访问笔者的star项目

那我们能不能借助于requests模块实现自动登入呢？这就需要使用到requests模块的post方法了。

三.post请求

1.我们首先来看看get请求与post请求的区别：

#GET请求

HTTP默认的请求方法就是GET

     * 没有请求体

     * 数据必须在1K之内！

     * GET请求数据会暴露在浏览器的地址栏中

GET请求常用的操作：

       1. 在浏览器的地址栏中直接给出URL，那么就一定是GET请求

       2. 点击页面上的超链接也一定是GET请求

       3. 提交表单时，表单默认使用GET请求，但可以设置为POST

#POST请求

(1). 数据不会出现在地址栏中

(2). 数据的大小没有上限

(3). 有请求体

(4). 请求体中如果存在中文，会使用URL编码！

#！！！requests.post()用法与requests.get()完全一致，特殊的是requests.post()有一个data参数，用来存放请求体数据

2、发送post请求，模拟浏览器的登录行为

这里有一个非常重要的思路：对于模拟登入请求，我们采取的策略是先输入错误的信息，观察浏览器的包的具体情况，如果输对了正确的用户名和密码，那就无法分析包了，因为页面就直接跳转了。

在上一步的基础上，我们首先退出github,同时清除掉Chrome浏览器的缓存，然后来一步步分析具体的登入流程：

一 目标站点分析

    浏览器输入https://github.com/login

    然后输入错误的账号密码，抓包

    发现登录行为是post提交到：https://github.com/session，如下图所示：

当输入错误的密码后，发现页面跳转到了session，请求头中而且带有cookie;并且抓包分析出有formdata,这是我们在form表单中输入的数据，如下：

Formdata中的数据如下：

commit:Sign in

utf8:✓

authenticity_token:Oiw0M00t+MhRG6ICWsQlDB8bjjqGq04zrOcXTmvSR2lHwmw+mf9yVshF4OIYh0SZJOa4u7CR6q0tc9bjEDqvhw==

login:@qq.com

password:

二根据上面的流程，我们可以做出如下的分析：
先GET：https://github.com/login拿到初始cookie与authenticity_token；这是我们的猜测，我们可以去login网页中搜寻下authenticity_token，看这个参数是否是服务器中给我们的，如下图所示：

因此这里的authenticity_token就类似于我们Django中的csrf——token一样的作用，在客户端第一次访问登入页面时，服务器会返回给客户端浏览器；然后之后客户端再输入正确的用户名和密码，并且带上服务端返回给我们的authenticity_token参数一起发送给服务端。

然后正常情况下，我们应该输入正确的用户名和密码，但是为了分析具体的页面走向，所以在这里我们故意输错密码，看页面具体往哪走，当输入错误密码后，返回POST：https://github.com/session；因此我们可以分析出来，当我们正确输入密码后，post提交数据的地址就是：https://github.com/session。

第三步：我们输入正确的用户名和密码，然后点击登入，实际上，最终服务器判断时，会将先前的初始cookie，authenticity_token，用户名，密码等一起进行判断，只有都满足条件

才会跳转到笔者github的首页，于是乎我们就可以拿到登入的cookie了，如下所示：

注意：很多人在分析登入流程时，都喜欢输入正确的用户名和密码，然后分析网站的登入流程，实际上这种方法比较笨拙，一旦输入正确，页面就跳转了，我们无法观察。

另外我们观察到当输入错误的密码后，页面除了跳转到session，而且请求头中出现了Refer参数，所以我们伪造时也要加上：

根据上面的分析，我们通过requests模块来实现自动登入：

import requests

import re

# 第一步：向https://github.com/login发送GET请求,拿到未授权的cookie，拿到服务器返回的authenticity_token

response = requests.get('https://github.com/login',

                        headers={

                            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',

                        },

                        )

print(response.cookies)

cookies = response.cookies.get_dict()  # 将cookie转换为字典

print(cookies)

authenticity_token = re.findall('name="authenticity_token".*?value="(.*?)"', response.text, re.S)[0]

print(authenticity_token)

# 第二步：带着未授权的cookie，authenticity_token，账号密码，向https://github.com/session发送POST请求，拿到输入正确用户名和密码后的授权的cookie

response = requests.post('https://github.com/session',

                         cookies=cookies,

                         headers={

                             'Referer': 'https://github.com/',

                             'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',

                         },
　　　　# 注意Form表单中的数据，我们通过requests模块中的data参数来封装

                         data={

                             'commit': 'Sign in',

                             'utf8': '✓',

                             'authenticity_token': authenticity_token,

                             'login': '894808074@qq.com',

                             'password': 'xxxxxxx'  # 输入你正确的github账号和密码

                         },

                         # allow_redirects=False

                    )

# 因为cookies是浏览器返回给客户端的，所以我们可以从Http响应中拿到正确的cookie，

# 当我们输入完正确的账号和密码后，服务端会生成一个cookie给我们，并将cookie绑定在response响应中返回给我们，

# 所以我们可以使用response.cookies拿到服务端返回给我们的cookie

login_cookies = response.cookies.get_dict()

# print(response.status_code)

# # print('Location' in response.headers)

# # print(response.text)

# print(response.history)

# 第三步：带着cookie访问

reponse = requests.get('https://github.com/scalershare?tab=stars',

                       cookies=login_cookies,

                       headers={

                           'Referer': 'https://github.com/',

                           'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36',

                       },

                       )

print('知道创宇爬虫题目 持续更新版本' in reponse.text)

打印结果如下：

print(response.cookies)打印结果：

<RequestsCookieJar[<Cookie logged_in=no for .github.com/>, <Cookie _gh_sess=eyJzZXNzaW9uX2lkIjoiOGU4YmM3NzFmZTI4ZmUyZjRlMDNlZTM1ZjE5ODdkZmQiLCJsYXN0X3JlYWRfZnJvbV9yZXBsaWNhcyI6MTUxNTQ4NjU3NTczNiwiX2NzcmZfdG9rZW4iOiJzem90U3hyNUpOUnJxcDdrWWJpRGcwWGtTTmtBQ0xUN1RMUTg4UkkyQy84PSIsImZsYXNoIjp7ImRpc2NhcmQiOltdLCJmbGFzaGVzIjp7ImFuYWx5dGljc19sb2NhdGlvbl9xdWVyeV9zdHJpcCI6InRydWUifX19--bccd9d2bde98b098f853735b0f2d47115c9d9f94 for github.com/>]>

print(cookies)打印结果：

{'_gh_sess': 'eyJzZXNzaW9uX2lkIjoiOGU4YmM3NzFmZTI4ZmUyZjRlMDNlZTM1ZjE5ODdkZmQiLCJsYXN0X3JlYWRfZnJvbV9yZXBsaWNhcyI6MTUxNTQ4NjU3NTczNiwiX2NzcmZfdG9rZW4iOiJzem90U3hyNUpOUnJxcDdrWWJpRGcwWGtTTmtBQ0xUN1RMUTg4UkkyQy84PSIsImZsYXNoIjp7ImRpc2NhcmQiOltdLCJmbGFzaGVzIjp7ImFuYWx5dGljc19sb2NhdGlvbl9xdWVyeV9zdHJpcCI6InRydWUifX19--bccd9d2bde98b098f853735b0f2d47115c9d9f94', 'logged_in': 'no'}

False

print(authenticity_token)打印结果

QIYMXDRZNFNke3UkzLbKU79zR6B0GvZ6x+SkYKTVYWjKRxM/61wdH2coc1KPpvy43wAfNC39CpDdjnG7V7A08Q==

根据上面的分析流程，我们来总结下整个Github的自动登入流程如下：

.浏览器中输入github的登入地址：https://github.com/login，向该地址发送一个GET请求，

之所以要发送Get请求，是因为我们观察分析包的时候发现，第一次Request Headers中并没有cookie值；

但是第二次当我们点击登入时候，发现Request Headers中居然有一个cookie值，既然我们都没有登入，居然有cookie

我们就只能猜测这是服务器在我们第一次访问https://github.com/login时，随机发送给我们的；

我们可以认为这是一个未授权的cookie，因为我们还没有登入，但是我们必须要拿到，下次我们向服务端

请求登入时，会带着这个未经授权的cookie,这就是为什么要在第一步向https://github.com/login发送get请求的地址

.为了分析包的具体情况，我们首先错误的密码，观察浏览器中网址的跳转：https://github.com/session

接着分析Request Headers中我们重点关注的三个参数：cookie,UA,Refer发现存在UA和Refer，因此得出结论

我们在向https://github.com/session发送Post请求时，需要构造UA和Refer；同时发现观察到了

form表单中的数据：Form Data,而且Form Data中多了一个authenticity_token的参数；因此猜想

该参数应该是我们第一次向登入界面发送请求时，服务端发送给我们的，所以我们去login网页中搜寻authenticity_token参数，

果然发现存在该参数，因此我们也需要将该参数封装到data参数中

.经过第二步，我们再输入正确的密码，然后点击登入即可跳转到笔者的Github首页，为了验证我们是否成功登入，所以我们让requests去请求

https://github.com/scalershare?tab=stars地址，最终证明可以成功访问

注意在做这个登入的实验时，一定要彻底清除掉cookie，要不然我们是无法实际看到Request Headers中的参数的，可以发现第一次访问login时，Request Headers中根本没有cookie，但是第二次我们还没有登入成功，它里面居然有cookie，所以我们才会认为这个cookie是服务端第一次发送给我们的。

上面我们仔细分析了Github的自动登入流程，主要是怎么拿到cookie,其实requests已经帮我们封装好了，我们接着来看requests模块是怎么帮我们封装的：

# requests帮我们处理cookies与session

import requests

import re

session = requests.session()

# 第一步：向 https://github.com/login发送GET请求,拿到未授权的cookie，拿到authenticity_token

r1 = session.get('https://github.com/login',

                 headers={

                     'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',

                 },

                 )

authenticity_token = re.findall('name="authenticity_token".*?value="(.*?)"', r1.text, re.S)[]

# 第二步：带着未授权的cookie，authenticity_token，账号密码，向https://github.com/session发送POST请求，拿到授权的cookie

r2 = session.post('https://github.com/session',

                  headers={

                      'Referer': 'https://github.com/',

                      'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',

                  },

                  data={

                      'commit': 'Sign in',

                      'utf8': '✓',

                      'authenticity_token': authenticity_token,

                      'login': '894808074@qq.com',

                      'password': 'xxxxxxxxxx'

                  },

                  allow_redirects=False

                  )

# 第三步：带着cookie访问

r3 = session.get('https://github.com/settings/emails',

                 headers={

                     'Referer': 'https://github.com/',

                     'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',

                 },

                 )

print('知道创宇爬虫题目 持续更新版本' in r3.text)

三.Requests中的编码问题

有时候我们拿到的response.text不是utf-8的编码类型，尤其是当我们将爬取下来的内容保存到文件中时不指定文件编码，此时会出现错误，我们需要使用response.encoding指定下爬取内容的编码类型，来看下汽车之家的爬取例子：

可以看到我们第一次访问汽车之家的网站时，Request Headers中是不会有cookie的，所有网站的第一次请求都是这样的：

import requests

response = requests.get('http://www.autohome.com/news')

with open("autohome.html", 'w') as file_obj:

    file_obj.write(response.text)

# 如果直接爬取汽车之家，会报错

那是因为汽车之家网站返回的页面内容为gb2312编码的，而requests的默认编码为ISO--，如果不设置成gbk则中文乱码

UnicodeEncodeError: 'gbk' codec can't encode character '\xa1' in position 76: illegal multibyte sequence

因此我们设置爬取下来的response对象的编码类型为gbk

import requests

response = requests.get('http://www.autohome.com/news')

response.encoding='gbk'

# print(response.text)

with open("autohome.html", 'w') as file_obj:

    file_obj.write(response.text)

然后打开autohome.html即可正常访问汽车之家的信息！

四. requests中的二进制数据获取

前面笔者提到过如果需要获取图片，视频，音频等二进制文件我们可以使用response.content来获取，但是如果视频比较大，例如10G，用response.content然后一下子写到文件中是不合理的，所以我们在这里需要借助于一个参数：stream；看如下的例子：

import requests

response = requests.get(

    'https://gss3.baidu.com/6LZ0ej3k1Qd3ote6lo7D0j9wehsv/tieba-smallvideo-transcode/1767502_56ec685f9c7ec542eeaf6eac93a65dc7_6fe25cd1347c_3.mp4',

    stream=True)

with open(r'D:/b.mp4', 'wb') as f:

    for line in response.iter_content():  # 这里主要借助于iter_content方法，配合stream参数使用

        f.write(line)

五.Requests中解析JSON

先来看如下的例子：

import requests

response = requests.get('http://httpbin.org/get')

print(response.text)

打印结果如下，可以看到其是json格式的字符串

{

  "args": {},

  "headers": {

    "Accept": "*/*",

    "Accept-Encoding": "gzip, deflate",

    "Connection": "close",

    "Host": "httpbin.org",

    "User-Agent": "python-requests/2.18.4"

  },

  "origin": "223.72.95.17",

  "url": "http://httpbin.org/get"

}

如果我们想要使用，必须要使用json来反序列化，如下：

import requests

response = requests.get('http://httpbin.org/get')

print(response.text, type(response.text)) # json字符串

import json

#

res1 = json.loads(response.text)  # 太麻烦

print(res1, type(res1)) # Python中的字典

requests为我们提供了一种更加方便的操作：

import requests

response = requests.get('http://httpbin.org/get')

import json

res1 = json.loads(response.text)  # 太麻烦

res2 = response.json()  # 直接获取json数据

print(res1 == res2)  # True

今天暂时整理到这里，后面我们继续整理！

码农公寓

相关文章