cook 验证码 随机字符的处理

目录

• cookie处理
  • 案例爬取雪球网
• 模拟登录
• 案例爬取古诗文网
  • 打码识别 基于超级鹰的学习
  • 模拟登陆

cookie处理

案例爬取雪球网

• https://xueqiu.com/，对雪球网中的新闻数据进行爬取
• 分析：
  • 新闻数据是通过ajax动态加载出来的
  • 捕获到ajax数据包中的url
• 请求头中重要的头信息
  • User-Agent
  • Cookie
  • Referer
• cookie的处理
  • 手动处理
    • 将cookie作用到headers中即可
  • 自动处理
    • session = requests.Session()
    • session的作用：
      • session可以像requests模块一样调用get和post进行请求发送
      • 在进行请求发送的过程中如果产生了cookie，则cookie会被自动存储到session对象中。

session = requests.Session()
#第一次请求发送：为了捕获cookie且存储到session对象中
first_url = 'https://xueqiu.com/'
session.get(first_url,headers=headers)

#第二次请求发送：携带者cookie进行的请求发送
url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=20358211&count=15&category=-1'
json_data = session.get(url=url,headers=headers).json()
json_data

模拟登录

• 为什么需要进行模拟登录：
  • 有些数据不经过登录是访问不到 捕获cookies
• 验证码的处理:软件ID： 899370
  • 基于线上的打码平台来实现
    • 云打码：http://www.yundama.com/about.html
    • 超级鹰：http://www.chaojiying.com/about.html
  • 超级鹰的使用流程：
    • 基于用户中心的身份进行注册
    • 用户中心的身份进行登录：
      • 充值
      • 创建一个软件：软件ID-》生成软件ID
      • 下载示例代码：开发文档-》Python-》下载

案例爬取古诗文网

打码识别 基于超级鹰的学习

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()
        
        
        
#执行代码
chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370')
im = open('a.jpg', 'rb').read()
print chaojiying.PostPic(im, 1902)

使用打码平台识别古诗文网中的验证码图片

#封装一个识别验证码的函数
def transformCode(imgPath,imgType):
    chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370')
    im = open(imgPath, 'rb').read()
    return chaojiying.PostPic(im, imgType)['pic_str']

可以爬取验证码图片

url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'
page_text = requests.get(url,headers=headers).text
tree = etree.HTML(page_text)
#解析到了验证码图片的地址
code_img_src = 'https://so.gushiwen.org'+tree.xpath('//*[@id="imgCode"]/@src')[0]
img_data = requests.get(code_img_src,headers=headers).content
with open('./code.jpg','wb') as fp:
    fp.write(img_data)
transformCode('./code.jpg',1902)

模拟登陆

模拟登录 发现有坑

• 对点击登录按钮对应的url进行请求发送
• 动态变化的请求参数：
  • 一般都会被隐藏在前台页面中
  • 基于抓包工具对请求参数的名称进行全局搜索

#处理cookie
session = requests.Session()

#获取且识别验证码
url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'
page_text = session.get(url,headers=headers).text
tree = etree.HTML(page_text)
#解析到了验证码图片的地址
code_img_src = 'https://so.gushiwen.org'+tree.xpath('//*[@id="imgCode"]/@src')[0]

#解析出模拟登录请求中动态变化的两个请求参数的之
__VIEWSTATE = tree.xpath('//*[@id="__VIEWSTATE"]/@value')[0]
__VIEWSTATEGENERATOR = tree.xpath('//*[@id="__VIEWSTATEGENERATOR"]/@value')[0]
#对图片进行请求时捕获cookie
img_data = session.get(code_img_src,headers=headers).content
with open('./code.jpg','wb') as fp:
    fp.write(img_data)
#验证码对应的文本数据
code_text = transformCode('./code.jpg',1902)
print(code_text)

#对于登录按钮的点击进行请求发送
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_text,
    'denglu': '登录',
}
login_page_text = session.post(url=login_url,headers=headers,data=data).text
with open('./gushiwen.html','w',encoding='utf-8') as fp:
    fp.write(login_page_text)

总结

1.先用打码平台获取 验证码图片  顺带解决cook
2.对于登录按钮的点击进行请求发送发现有动态请求参数 可以先获取 在登录
4.登录成功 数据解析