爬虫第三章 模拟登录

为什么要进行模拟登录
    - 有时候我们要进行登录之后,才能爬取到的数据
为什么要识别验证码
    - 验证码往往是作为登录中发送的请求参数进行使用的
验证码识别: 借助于一些线上打码平台(超级鹰,云打码,打码兔)

超级鹰的使用流程:
        - 注册:注册一个<用户中心>身份的账号
        - 登录:基于<用户中心>进行登录
            - 点击 软件ID -->生成一个软件id
            - 下载示例代码:点击开发文档->选择python语言->点击下载

代理操作

cookle操作

线程池

import requests
from lxml import etree
headers = {
    ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36‘
}
import requests
from hashlib import md5

class Chaojiying_Client(object):

    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode(‘utf8‘)
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            ‘user‘: self.username,
            ‘pass2‘: self.password,
            ‘softid‘: self.soft_id,
        }
        self.headers = {
            ‘Connection‘: ‘Keep-Alive‘,
            ‘User-Agent‘: ‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)‘,
        }

    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            ‘codetype‘: codetype,
        }
        params.update(self.base_params)
        files = {‘userfile‘: (‘ccc.jpg‘, im)}
        r = requests.post(‘http://upload.chaojiying.net/Upload/Processing.php‘, data=params, files=files, headers=self.headers)
        return r.json()

    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            ‘id‘: im_id,
        }
        params.update(self.base_params)
        r = requests.post(‘http://upload.chaojiying.net/Upload/ReportError.php‘, data=params, headers=self.headers)
        return r.json()


def get_codeImg_text(imgPath,imgType):
    chaojiying = Chaojiying_Client(‘zty1304368100‘, ‘zty130436‘, ‘899993‘)    #用户中心>>软件ID 生成一个替换 96001
    im = open(imgPath, ‘rb‘).read()#本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
    return chaojiying.PostPic(im, imgType)[‘pic_str‘]

session=requests.Session()

url=‘https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx‘
page_text=session.get(url=url,headers=headers).text
tree=etree.HTML(page_text)
img_src=‘https://so.gushiwen.org‘+tree.xpath(‘//img[@id="imgCode"]/@src‘)[0]
img_info=session.get(url=img_src,headers=headers).content
with open(‘./code.jpg‘,‘wb‘) as fp:
    fp.write(img_info)

#识别二维码
code_img_text=get_codeImg_text(‘./code.jpg‘,1902)
print(code_img_text)
__VIEWSTATE=tree.xpath(‘//input[@id="__VIEWSTATE"]/@value‘)[0]
__VIEWSTATEGENERATOR=tree.xpath(‘//input[@id="__VIEWSTATEGENERATOR"]/@value‘)[0]
login_url=‘https://so.gushiwen.org/user/login.aspx?from=http%3a%2f%2fso.gushiwen.org%2fuser%2fcollect.aspx‘
data={
    ‘__VIEWSTATE‘:__VIEWSTATE ,
    ‘__VIEWSTATEGENERATOR‘: __VIEWSTATEGENERATOR,
    ‘from‘: ‘http://so.gushiwen.org/user/collect.aspx‘,
    ‘email‘: ‘www.zhangbowudi@qq.com‘,
    ‘pwd‘: ‘bobo328410948‘,
    ‘code‘: code_img_text,
    ‘denglu‘: ‘登录‘,
}
page_info=session.post(url=login_url,data=data,headers=headers).text
with open(‘./gsw.html‘,‘w‘,encoding=‘utf-8‘) as f:
    f.write(page_info)

如何使用超级鹰的打码平台

如何获取验证码的图片?如何使用超级鹰将验证码图片识别成字符串的形式
    标签定位,数据提取

处理动态参数

传送数据时传送cookie值
session=requests.Session()