用python模拟登录（解析cookie + 解析html + 表单提交 + 验证码识别 + excel读写 + 发送邮件）
老婆大人每个月都要上一个网站上去查数据，然后做报表。
为了减轻老婆大人的工作压力，所以我决定做个小程序，减轻我老婆的工作量。
准备工作
1.tesseract-ocr
这个工具用来识别验证码，非常好用。
ubuntu上安装：
sudo apt-get install tesseract-ocr
非常简单。
2.pytesseract和PIL(pillow)
pytesseract用来在python中调用tesseract-ocr，PIL(pillow)用来加载图片，安装方法如下：
pip3 install pytesseract pip3 install pillow
也非常简单。
如果安装pillow的时候报如下错误:
ValueError: zlib is required unless explicitly disabled using --disable-zlib, aborting
那么我们更新一下pip即可
sudo pip3 install --upgrade pip
如果pip速度很慢，可以改用国内的源，在命令后面加上 -i http://pypi.douban.com/simple （百度一下一大把），但pillow好像国内镜像都没有，只能用蜗牛速度从自带的源下载咯...
一切准备就绪。
分析网站
我们的目标网址是：http://222.217.19.16:3512/Site/LzsfySite/Default.aspx
预览图：
看上去很low啊...心疼我老婆....看来我必须快点完成这个小程序了！
经过简单的分析可以得到关键信息：
1.表单的提交地址：http://222.217.19.16:3512/Site/LzsfySite/Default.aspx
2.验证码地址：http://222.217.19.16:3512/Main/AspCode/ZhuChengXu/AuthenImage.aspx
3.表单的格式：
1 { 2 '__LASTFOCUS' : '', 3 '__EVENTTARGET' : 'ctl00$ContentPlaceHolder1$Login1$btnLogin', 4 '__EVENTARGUMENT' : '', 5 '__VIEWSTATE' : __VIEWSTATE, 6 '__EVENTVALIDATION' : __EVENTVALIDATION, 7 'ctl00$ContentPlaceHolder1$Login1$txtUsr' : 用户名, 8 'ctl00$ContentPlaceHolder1$Login1$txtPwd' : 用户密码, 9 'ctl00$ContentPlaceHolder1$Login1$txtYZM' : 验证码 10 }
其中4、5、6行是访问首页的时候，在首页的源代码中返回的参数
但__EVENTARGUMENT常年为空，所以干脆直接写死空字符串即可；__VIEWSTATE和__EVENTVALIDATION则需要对html进行解析。
7、8、9则对应用户名、密码和验证码，用户名密码可以写死，验证码则需要用到tesseract-ocr进行识别。
4.表单提交的报文头
1 { 2 'Accept' : b'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8', 3 'Accept-Encoding' : 'gzip, deflate, lzma', 4 'Accept-Language' : 'zh-CN,zh;q=0.8', 5 'Cache-Control' : 'max-age=0', 6 'Connection' : 'keep-alive', 7 'Content-Length' : 表单内容长度, 8 'Content-Type' : 'application/x-www-form-urlencoded', 9 'Cookie' : cookie内容, 10 'Host' : '222.217.19.16:3512', 11 'Origin' : 'http://222.217.19.16:3512', 12 'Referer' : 'http://222.217.19.16:3512/Site/LzsfySite/Default.aspx', 13 'Upgrade-Insecure-Requests' : '1', 14 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36 OPR/38.0.2220.41}' 15 }
其中7行可以根据构造的表单报问题长度来计算，9行需要从cookie中获取。
主要技术
获取cookie
python3中获取cookie的方式很简单，用http.cookiejar。
cookiejar扩展阅读：https://docs.python.org/3.0/library/http.cookiejar.html
import urllib.request import urllib.parse import http.cookiejar #登录的主页面 hosturl = 'http://222.217.19.16:3512/Site/LzsfySite/Default.aspx' #设置一个cookie处理器，它负责从服务器下载cookie到本地，并且在发送请求时带上本地的cookie cj = http.cookiejar.LWPCookieJar() cookie_support = urllib.request.HTTPCookieProcessor(cj) opener = urllib.request.build_opener(cookie_support, urllib.request.HTTPHandler) urllib.request.install_opener(opener) #打开登录主页面（目的是从页面下载cookie，这样我们在再送post数据时就有cookie了，否则发送不成功） hostOpen = urllib.request.urlopen(hosturl) #解析cookie cookieText = '' for item in cj: cookieText = cookieText + item.name + '=' + item.value + '&' cookieText = cookieText[0:-1] print(cookieText)
这样我们就可以得到cookie啦。
识别验证码
这个也简单，我们先把它下载到本地，然后用pytesseract来解析它：
import urllib.request import pytesseract from PIL import Image #验证码图片地址 checkCodeUrl = 'http://222.217.19.16:3512/Main/AspCode/ZhuChengXu/AuthenImage.aspx' #下载验证码 checkCodeOpen = urllib.request.urlopen(checkCodeUrl) data = checkCodeOpen.read() local = open('image.gif', 'wb') local.write(data) local.close() #pytesseract解析 img = Image.open('image.gif') checkCode = pytesseract.image_to_string(img) print(checkCode)
哈哈哈哈就这么简单暴力~
诶等等！好像有点不对。我们多执行几次，然后对比一下输出和图片
...出现了英文，什么鬼...再来
...这次是正确的。再试试...
又不对了。
多试几次，发现验证码的识别率不太高。
在识别率不高的情况下，那么我们只有开个循环，多识别几次验证码，然后多提交几次表单即可。——总有一次会正确滴~~
#以下是伪代码 def 提交方法(): 识别验证码 构造表单 提交表单 解析服务器返回报文 if 登录成功: return true else: return false while not 提交方法(): 等待1000秒 print('登录成功啦')
解析html
我这里用的是python自带的HTMLParser，这种简单暴力的办法非常好用。 ^_^
from html.parser import HTMLParser import urllib.request #主页面 hosturl = 'http://222.217.19.16:3512/Site/LzsfySite/Default.aspx' #打开登录主页面 hostOpen = urllib.request.urlopen(hosturl) #解析__VIEWSTATE和__EVENTVALIDATION #这里用了HTMLParser的库。 #自定义的DefaultHTMLParser继承了HTMLParser #在调用此类型对象的feed方法对二进制字节流解析时， #若遇到tag的开始标签则会触发handle_starttag方法， #若遇到tag中的内容时则会触发handle_data方法 class DefaultHTMLParser(HTMLParser): def __init__(self): HTMLParser.__init__(self) self.hasLogin = False #如果是input标签，则判断其id属性是否是__VIEWSTATE或__EVENTVALIDATION #如果是二者之一，则在对象.xxxx属性中存入对应值 #这里假定一定能够从中读取到__VIEWSTATE和__EVENTVALIDATION #没有做错误处理 def handle_starttag(self, tag, attrs): iid = '' value = '' if tag == 'input': for attr in attrs: if attr[0] == 'id': iid = attr[1] break;
#用exec来设置属性值，节省代码量^_^ if iid in ('__VIEWSTATE', '__EVENTVALIDATION'): for attr in attrs: if attr[0] == 'value': exec('self.' + iid + " = attr[1]") def handle_data(self, data): #根据能否找到跳转语句判断是否登陆 if data.find('window.location=\'../../Main/AspCode/ZhuChengXu/ShowSelect.aspx\'') != -1: self.hasLogin = True #get方法，用来获取属性值。
#这里偷懒用了eval——eval的效率不太高，但非常省代码量。
#如果对执行速度要求比较高建议不要用这个方法喔。 def get(self, attr): result = eval('self.' + attr) return result p = DefaultHTMLParser() p.feed(hostOpen.read().decode('GB2312')) print(p.get('__VIEWSTATE')) print(p.get('__EVENTVALIDATION'))
提交表单
根据之前的内容，我们已经获取了提交登录表单所需要的一切信息。
所以我们可以开始构造一个表单并提交
1 import zlib 2 import urllib.request 3 import urllib.parse 4 5 #表单提交的url 6 hosturl = 'http://222.217.19.16:3512/Site/LzsfySite/Default.aspx' 7 8 #构造表单 9 formData = { 10 '__LASTFOCUS' : '', 11 '__EVENTTARGET' : 'ctl00$ContentPlaceHolder1$Login1$btnLogin', 12 '__EVENTARGUMENT' : '', 13 '__VIEWSTATE' : '__VIEWSTATE', 14 '__EVENTVALIDATION' : '__EVENTVALIDATION', 15 'ctl00$ContentPlaceHolder1$Login1$txtUsr' : '用户名', 16 'ctl00$ContentPlaceHolder1$Login1$txtPwd' : '密码', 17 'ctl00$ContentPlaceHolder1$Login1$txtYZM' : 'xxxx' 18 } 19 #对formData进行url编码 20 formData = urllib.parse.urlencode(formData) 21 22 #构造登陆用header 23 headers = { 24 'Accept' : b'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8', 25 'Accept-Encoding' : 'gzip, deflate, lzma', 26 'Accept-Language' : 'zh-CN,zh;q=0.8', 27 'Cache-Control' : 'max-age=0', 28 'Connection' : 'keep-alive', 29 'Content-Length' : len(formData.encode('GB2312')), 30 'Content-Type' : 'application/x-www-form-urlencoded', 31 'Cookie' : 'cookieText', 32 'Host' : '222.217.19.16:3512', 33 'Origin' : 'http://222.217.19.16:3512', 34 'Referer' : 'http://222.217.19.16:3512/Site/LzsfySite/Default.aspx', 35 'Upgrade-Insecure-Requests' : '1', 36 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36 OPR/38.0.2220.41}' 37 } 38 39 #开始登陆 40 loginRequest = urllib.request.Request(hosturl, formData.encode('GB2312'), headers) 41 loginResponse = urllib.request.urlopen(loginRequest) 42 #返回的数据是压缩过的，所以要用zlib进行解码 43 loginResponseData = zlib.decompress( loginResponse.read(), 16+zlib.MAX_WBITS).decode('GB2312') 44 45 print(loginResponseData)
需要注意的是，12-17行以及31行这里要填入前几节说明的解析的内容。否则服务器会返回500的响应码喔。
上述内容基本上涵盖了做一个爬虫所需要的知识。
扩展内容
但我的工作还没完，我还得给我老婆生成一个excel，并发送到她邮箱！
所以，下面是关于写excel和发送email的扩展内容，不感兴趣的同学可以跳过啦。
快捷写入excel
我们可以先手动做一个有标题，但内容为空的excel模板，像这样：
注意，这里是第四个sheet。然后将其保存为empty.xls
在这里我使用python的xlutils对此报表进行写入。（扩展阅读：http://xlutils.readthedocs.org/en/latest/）
先安装。
sudo pip3 install xlutils
简单示例：
1 from xlutils.copy import copy 2 import xlrd 3 import xlwt 4 from xlwt.Style import easyxf 5 6 7 #打开文件，formatting_info=true表示读入单元格style信息 8 file = xlrd.open_workbook('empty.xls',formatting_info=True) 9 #用xlutils.copy的copy方法获取一个报表对象 10 w = copy(file) 11 12 #定义居中对齐格式示例 13 alignment = xlwt.Alignment() 14 alignment.horz = xlwt.Alignment.HORZ_CENTER 15 style = xlwt.XFStyle() 16 style.alignment = alignment 17 18 #write方法的第一个参数对应要写入的行数，第二个参数对应要写入的列数，二者都是从0开始计算的 19 #用居中对齐格式写入第3张sheet的3行7列单元格 20 w.get_sheet(3).write(2,6, '2016 年 7 月 21 日至2016 年 8 月 20 日', style) 21 #用居中对齐格式写入第3张sheet的16行3列单元格 22 w.get_sheet(3).write(15,2, '2016 年 8 月 21 日' , style) 23 24 #定义边框示例 25 borders = xlwt.Borders() 26 borders.left = 1 27 borders.right = 1 28 borders.top = 1 29 borders.bottom = 1 30 style = xlwt.XFStyle() 31 style.borders = borders 32 style.alignment = alignment 33 34 #填充数据 35 for i in range(1, 18): 36 w.get_sheet(3).write(9,i,int(100), style) 37 w.get_sheet(3).write(10,i,int(100), style) 38 39 40 #写入公式示例 41 for i in range(1,18): 42 column = chr(ord('A')+i) 43 w.get_sheet(3).write(13, i, xlwt.Formula('SUM(' + column + '10:' + column + '13)'),style) 44 45 #保存为新文件 46 w.save('报表.xls')
然后我们就可以得到如下表格啦~~ python真的是非常简单又暴力...
发送带有附件的email
这个更简单...smtplib在ubuntu下的python是自带的。
示例如下：
import smtplib from email.mime.multipart import MIMEMultipart from email.mime.text import MIMEText from email.mime.application import MIMEApplication print('准备邮件....') #qq邮箱用户名和密码，自带星号屏蔽 #必须在账户设置开启smtp服务才能登录 _user = "27*****68@qq.com" _pwd = "***********" _to = "10*****09@qq.com" #初始化消息 msg = MIMEMultipart() msg["Subject"] = "2016年9月份统计报表" msg["From"]= _user msg["To"] = _to #这是文字部分 part = MIMEText("详见附件...") msg.attach(part) #这是附件部分 part = MIMEApplication(open('报表.xls','rb').read()) #filename最好设置成英文，否则容易出乱码 part.add_header('Content-Disposition', 'attachment', filename="baobiao.xls") msg.attach(part) #开始发送 print('from ' + _user + ' to ' + _to + '...') #必须要用SSL方式加密 smtp = smtplib.SMTP_SSL('smtp.qq.com') smtp.login(_user, _pwd) smtp.sendmail(_user, _to, msg.as_string()) smtp.quit() print('发送完毕')
所做的一切都非常简单！所以python是世界上最好的语言！ 笑....
综合上述技术，删删改改增增减减，最后成果展示
最后，感谢我老婆，让我有学习python的动力。
本章完。
