模拟登录知乎
这几天在研究模拟登录, 以知乎 - 与世界分享你的知识、经验和见解为例。实现过程遇到不少疑问,借鉴了知乎xchaoinfo的代码,万分感激!
知乎登录分为邮箱登录和手机登录两种方式,通过浏览器的开发者工具查看,我们通过不同方式登录时,网址是不一样的。邮箱登录的地址email_url = 'https://www.zhihu.com/login/email'
,手机登录网址是phone_url = 'http://www.zhihu.com/login/phone_num'
。
1. 建立一个可以传Cookie的opener
Cookie用来跟踪用户是否已经登录的状态信息。一旦网站认证了我们的登录,就会将cookie存到浏览器中,里面包含了服务器生成的令牌、登录有效时长、状态跟踪信息。当登陆有效时长达到,我们的登录状态就被清空,想要访问其他需要登录后才能访问的页面也就不能成功了。意思就是我们能保持登录状态不掉线,是因为服务器端核对了我们访问时携带的cookie,核对成功后服务器端就认为我们时“已经登录了”的状态。urllib.requst.urlopen()
可传入的参数中,都不能携带cookie信息。http.cookiejar
的FileCookieJar
可以帮到我们,FileCookieJar
可以将cookie存到本地文件中。 其中FileCookieJar
的子类LWPCookieJar
,可以存Set-Cookie3
类型的文件,而MozillaCookieJar
子类是存为.txt
格式的文件。这里我使用LWPCookieJar
。
load()
可以从本地加载已存的cookie数据,这样我们就可以携带着cookie(相当于带了一块令牌)访问服务器,服务器核对成功后,就可以访问那些登录后才能访问的页面。其中参数
ignore_discard=True
表示即使cookies将被丢弃也把它保存下来,它还有另外一个参数igonre_expires
表示当前数据覆盖(overwritten)原文件。
现在建立一个可以处理cookie的opener。
接下来我们可以使用opener.open()
来传入url和data了。
2. 获取登录所需关键参数
模拟登录知乎,除了要POST自己的账号密码,还有两个动态生成的参数,一个是_xsrf
,还有一个就是讨厌的验证码了。我们输入账号密码后,通过开发者工具找到一个名为email的json文件,请求方法是POST,可以看到其域名是https://www.zhihu.com/login/email
.我用火狐的开发者工具,点开这个文件看到里面的参数。
与chrome对应的好像是Headers下面的Form Data,在Network里面勾选preserve log就可以看到。
这里就把本人邮箱和密码的给打码了哈
获取_xsrf
这个参数是动态变化了,所以不能获取一次后就一劳永逸。从html的body里面搜索下_xsrf
,然后用正则表达式匹配出来就行。
获取验证码
知乎登录一般需要填入验证码,如果没有post这个参数过去,是不能成功登录的。
知乎的验证码开始把我给坑了,在html内容的页面里搜索能看到验证码图片的网址,但是实际用xxx.read().decode('utf-8')
获取到的网页内容是没有这个网址的,它被隐藏了!好狡诈。研究无果只好搜索,从知乎上这个问题xchaoinfo的回答找到答案,结果是这个图片网址中的一串数字就是时间戳。
时间戳是指格林威治时间1970年01月01日00时00分00秒(北京时间1970年01月01日08时00分00秒)起至现在的总秒数。
通过time.time()
可以查看当前时间戳。比如我当前是1471771678.5400066
,看是不是和上面红框中的很接近!通过过换算关系t = time.time() * 1000
可以得到图片链接的关键部分,其余部分都是不变的。验证码的完整地址为captcha_url = 'http://www.zhihu.com/captcha.gif?r=' + t + "&type=login"
。好了,链接知道了,下载下来查看并手动输入就行了。再把这个post过去应该就可以登录成功了,好激动。
3. 尝试模拟登录知乎
关键的两个东西我们都获取到了,现在登录一下试试吧!要将登录方式考虑进去,如果检测到用于输入手机号,则我们应该访问手机登录网址;否则就是邮箱登录。
def login(username, password):
关于那句print((json.loads(result))['msg'])
,opener携带数据post过去,请求网址得到的响应会返回登录信息,该数据是json类型,刚开始我一直是登录失败的,返回这样的玩意儿!
{
"r": 1,
"errcode": 1991829,"data": {"captcha":"\u9a8c\u8bc1\u7801\u9519\u8bef"},
"msg": "\u9a8c\u8bc1\u7801\u9519\u8bef"
}
r为1表示登录失败,0表示登录成功。msg里反映的是登录失败的原因是”验证码会话失效“。
这里一定注意,登录是一个连贯的过程。这个过程我们总共有三次访问网址,一定保证包括获取动态参数,获取验证码、最终模拟登陆都使用同一个opener。这也是登录失败的原因之一,因为刚开始获取_xsrf
和验证码时用的是urlopen()
。urllib
标准库并不很强大,可以尝试requests
库,会让这个过程变得简单。
看下结果吧。如果显示登录成功,可以访问以下个人资料的网址,这个如果登录失败了是不能查看的,会返回到登录界面的网址。
好了,这次模拟登录感觉与前两次学习比起来难度加深了,好多问题还得靠搜索才能解决。加油吧。
这里贴上全部代码。
更新: 使用requests库重写程序
今天翻看了下requests的文档,学了点
urllib库
再看这个不算很难。我用requests
最基本的函数重新实现以上功能,当然大部分代码是重复的。
requests.get()
类似urllib.request.urlopen()
。如其名是以get方式请求的,接收url
,字典形式的headers
,timeout
,allow_redirects
等参数,当然还有requests.post()
,可以传入data
参数,不像urllib
一样需要对字典形式的data进行编码,requests
它会自动处理并且data可以传入json
数据。
allow_redirects
这是参数可选True
、False
,默认True
,若选False
则表示禁止重定向,按我的理解即禁止自动跳转。
看下两个库的区别,返回来的response可选text
和content
,其中text
以文本形式返回,content
以二进制数据形式返回,比如我们请求的网址是图片,就返回content
,便可以以wb
方式写入文件了。看下这两个库在实现返回网页内容的区别。对了返回的对象如response还有一个属性是status_code
访问成功了当然就返回的200啦。
requests.Session()
或者requests.session()
,两种写法都可以。类型都是一个class 'requests.sessions.Session'
,看下源码其实session
返回的就是一个Session
对象。requests.Session()
会新建一个会话,可以把同一用户的不同请求联系起来,直到会话结束都会自动处理cookies,这比urllib
方便多了。如果只使用requests.get()
或者requests.post()
每次访问网页都是独立进行的,并没有把当前用户的多次访问关联起来,故而模拟登录需要用到requests.Session()
。然后再用新建的session使用post()
,get()
等函数。如下。这只是requests
的冰山一角!它强大着呢。号称是HTTP FOR HUMAN。不过掌握以上基本的东西,足够重写模拟登录知乎的程序。进一步学习请看requests文档,那里有详细介绍。
再放requests版本的。
以上使用到的浏览器UA都是电脑端的,现在知乎出了倒立文字验证码。如果因此而导致登录失败,可以将浏览器UA改成Android端或者IOS端。
企鹅 一起交流,资料分享,共同学习