Scrapy 模拟登陆知乎--抓取热点话题

工具准备

在开始之前，请确保 scrpay 正确安装，手头有一款简洁而强大的浏览器， 若是你有使用 postman 那就更好了。

 

 

 

 

 

Python

 

1	scrapy genspider zhihu

使用以上命令生成知乎爬虫,代码如下:

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11

# -*- coding: utf-8 -*- import scrapy     class ZhihuSpider(scrapy.Spider):     name = 'zhihu'     allowed_domains = ['www.zhihu.com']     start_urls = ['http://www.zhihu.com/']       def parse(self, response):         pass

有一点切记，不要忘了启用 Cookies, 切记切记 ：

 

 

 

 

 

Python

 

1 2	# Disable cookies (enabled by default) COOKIES_ENABLED = True

 

模拟登陆

过程如下：

• 进入登录页，获取 Header 和 Cookie 信息

完善的 Header 信息能尽量伪装爬虫， 有效 Cookie 信息能迷惑知乎服务端，使其认为当前登录非首次登录，若无有效 Cookie 会遭遇验证码。 在抓取数据之前，请在浏览器中登录过知乎，这样才使得 Cookie 是有效的。

Header 和 Cookie 整理如下:

 

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

headers = {     'Host':     'www.zhihu.com',     'Connection':     'keep-alive',     'Origin':     'https://www.zhihu.com',     'User-Agent':     'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.90 Safari/537.36',     'Content-Type':     'application/x-www-form-urlencoded; charset=UTF-8',     'Accept':     '*/*',     'X-Requested-With':     'XMLHttpRequest',     'DNT':     1,     'Referer':     'https://www.zhihu.com/',     'Accept-Encoding':     'gzip, deflate, br',     'Accept-Language':     'zh-CN,zh;q=0.8,en;q=0.6', }   cookies = {     'd_c0':     '"AHCAtu1iqAmPTped76X1ZdN0X_qAwhjdLUU=|1458699045"',     '__utma':     '51854390.1407411155.1458699046.1458699046.1458699046.1',     '__utmv':     '51854390.000--|3=entry_date=20160322=1',     '_zap':     '850897bb-cba4-4d0b-8653-fd65e7578ac2',     'q_c1':     'b7918ff9a5514d2981c30050c8c732e1|1502937247000|1491446589000',     'aliyungf_tc':     'AQAAAHVgviiNyQsAOhSntJ5J/coWYtad',     '_xsrf':     'b12fdca8-cb35-407a-bc4c-6b05feff37cb',     'l_cap_id':     '"MDk0MzRjYjM4NjAwNDU0MzhlYWNlODQ3MGQzZWM0YWU=|1503382513|9af99534aa22d5db92c7f58b45f3f3c772675fed"',     'r_cap_id':     '"M2RlNDZjN2RkNTBmNGFmNDk2ZjY4NjIzY2FmNTE4NDg=|1503382513|13370a99ee367273b71d877de17f05b2986ce0ef"',     'cap_id':     '"NmZjODUxZjQ0NzgxNGEzNmJiOTJhOTlkMTVjNWIxMDQ=|1503382513|dba2e9c6af7f950547474f827ef440d7a2950163"', }

 

• 在浏览器中，模拟登陆，抓取登陆请求信息。

从图中可以看到 _xsrf 参数, 这个参数与登陆验证信息无关，但很明显是由登陆页面携带的信息。 Google了下 xsrf 的含义， 用于防范 跨站请求伪造 。

• 整理以上，代码如下：
  
   

   

   

   

   

  Python

   

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

  loginUrl = 'https://www.zhihu.com/#signin' siginUrl = 'https://www.zhihu.com/login/email'     def start_requests(self):     return [         scrapy.http.FormRequest(             self.loginUrl,             headers=self.headers,             cookies=self.cookies,             meta={'cookiejar': 1},             callback=self.post_login)     ]     def post_login(self, response):     xsrf = response.css(         'div.view-signin > form > input[name=_xsrf]::attr(value)'     ).extract_first()     self.headers['X-Xsrftoken'] = xsrf       return [         scrapy.http.FormRequest(             self.siginUrl,             method='POST',             headers=self.headers,             meta={'cookiejar': response.meta['cookiejar']},             formdata={                 '_xsrf': xsrf,                 'captcha_type': 'cn',                 'email': 'xxxxxx@163.com',                 'password': 'xxxxxx',             },             callback=self.after_login)     ]

设置Bearer Token

经过上述步骤登陆成功了，有点小激动，有没有！ 但苦难到此还远没有结束，这个时候尝试抓取最近热门话题，直接返回 code:401 ,未授权的访问。 授权信息未设置，导致了此类错误，莫非遗漏了什么，看来只能在浏览器中追踪请求参数来侦测问题。 在浏览器的请求中，包含了Bearer Token, 而我在scrapy中模拟的请求中未包含此信息， 所以我被服务器认定为未授权的。 通过观察发现 Bearer Token 的关键部分，就是 Cookies 中的 z_c0 包含的信息。

z_c0 包含的信息，是在登陆完成时种下的，所以从登陆完成返回的登陆信息里，获取要设置的 Cookie 信息， 然后拼接出 Bearer Token,最后设置到 Header 中。

代码整理如下:

 

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

def after_login(self, response):     jdict = json.loads(response.body)     print('after_login', jdict)     if jdict['r'] == 0:         z_c0 = response.headers.getlist('Set-Cookie')[2].split(';')[0].split(             '=')[1]         self.headers['authorization'] = 'Bearer ' + z_c0         return scrapy.http.FormRequest(             url=self.feedUrl,             method='GET',             meta={'cookiejar': response.meta['cookiejar']},             headers=self.headers,             formdata={                 'action_feed': 'True',                 'limit': '10',                 'action': 'down',                 'after_id': str(self.curFeedId),                 'desktop': 'true'             },             callback=self.parse)     else:         print(jdict['error'])

 

获取数据

上述步骤后，数据获取就水到渠成了，为了检测成功与否， 把返回信息写到文件中,而且只获取前五十个,代码如下：

 

 

 

 

 

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

feedUrl = 'https://www.zhihu.com/api/v3/feed/topstory' nextFeedUrl = '' curFeedId = 0     def parse(self, response):     with open('zhihu.json', 'a') as fd:         fd.write(response.body)     jdict = json.loads(response.body)     jdatas = jdict['data']     for entry in jdatas:         entry['pid'] = entry['id']         yield entry       jpaging = jdict['paging']     self.curFeedId += len(jdatas)     if jpaging['is_end'] == False and self.curFeedId < 50:         self.nextFeedUrl = jpaging['next']         yield self.next_request(response)     def next_request(self, response):     return scrapy.http.FormRequest(         url=self.nextFeedUrl,         method='GET',         meta={'cookiejar': response.meta['cookiejar']},         headers=self.headers,         callback=self.parse)

最终获取的数据如下图所示：

写在最后

知乎的数据，只有登录完成之后，才可有效的获取，所以模拟登陆是无法忽略不管的。 所谓的模拟登陆，只是在scrapy中尽量的模拟在浏览器中的交互过程，使服务端无感抓包过程。 请求中附加有效的 Cookies 和 Headers 头信息，可有效的迷惑服务端， 同时在交互的过程中，获取后续请求必要信息和认证信息，使得整个流程能不断先前。