关于python:scrapy学习之爬虫练习平台3

上一篇文章爬取了爬虫练习平台的 spa 局部，有 Ajax 和接口加密，没有波及到登录，都是 GET 申请。

本篇文章持续爬前面的 login 局部，波及到了登录和验证。

思考到抓取数据字段的多样性，本次爬取将数据库换成了 Mongo，不须要每次都新建字段，放慢抓取速度。

新建一个名为 test 的数据库，其余环境和设置不变。

login1 阐明如下：

模仿登录网站，登录时用户名和明码通过加密解决，适宜 JavaScript 逆向剖析。

是一个须要登录的网站，而且有加密，须要逆向 JS。我提前剖析了一下，因为登录之后并没有跳转到理论能够爬取的页面，所以就不写 scrapy 的代码了，只剖析登录申请所波及到的加密算法。

抓包剖析，老办法，关上控制台，打 xhr 断点，轻易输出账号密码，点击登录按钮，触发登录申请。

断在了老中央 send 办法上，顺着调用栈往上找，找找疑似在结构 data 的中央。

找到了一处，看起来是将 form 表单进行编码后传给 token，而后通过 post 函数发送进来。打断点，从新登录。

看起来是将轻易输出的账号密码传入到 c.encode 这个函数中进行编码之后就失去了 token 参数，单步跟进去看看。

遇到一些 get 办法间接步出就好，直到这里，是一个三元运算符，r 为 undefined，所以会执行下边的 _encode(String(e)) 办法，单步往下走。

到了这里，往上看，_encode 也是个三元运算符，还是好几个嵌套的那种。utob 函数只是进行了正则替换，真正的编码函数是 btoa 函数，单步进入。

调用了零碎的 btoa 函数，而 btoa 函数就是用来将字符串进行 base64 编码的。

所以，论断就是，账号密码被 base64 编码后赋值给了 token，而后提交给了服务器，代码如下：

data = {
    'username': 'admin',
    'password': 'admin'
}
url = 'https://login1.scrape.center/'
# 留神这里是 get 申请，如果是 post 申请的话会报 405 错误代码。r = requests.get(url=url, data={'token': base64.b64encode(json.dumps(data).encode())})
print(r.text)
print(r.status_code)

代码中用的是 GET 申请（因为 GET 申请才能够胜利获取服务器响应），然而在网页上用的是 POST 申请，理论测试发现 POST 申请服务器会返回 405 谬误，猜想可能是后端服务没有指定申请形式的起因，不指定的话默认只接管 GET 申请。????????????

其实如果有点教训的人能够更快的解决问题，因为看到 token 这种大小写加数字的字符串基本上都会试一下 base64，如果不行的话再尝试逆向。

login2 阐明如下：

对接 Session + Cookies 模仿登录，适宜用作 Session + Cookies 模仿登录练习。

无反爬，须要登录，网页构造和之前的没有区别。scrapy 中起始申请须要改成 POST 申请，并且须要通过表单提交账号密码数据，所以写法要略微扭转一下。残缺代码如下：

class SSR1(scrapy.Spider):
    name = 'login2'

    def start_requests(self):
        urls = ['https://login2.scrape.center/login']
        for url in urls:
            # 增加须要提交的表单参数
            yield scrapy.FormRequest(url=url, callback=self.parse, formdata={'username': 'admin', 'password': 'admin'})

    def parse(self, response, **kwargs):
        for a in range(1, 11):
            yield Request(url=response.urljoin(f'/page/{a}'), callback=self.parse_page)

    def parse_page(self, response):
        result = response.xpath('//div[@class="el-card item m-t is-hover-shadow"]')
        for a in result:
            item = Login2ScrapyItem()
            item['title'] = a.xpath('.//h2[@class="m-b-sm"]/text()').get()
            item['fraction'] = a.xpath('.//p[@class="score m-t-md m-b-n-sm"]/text()').get().strip()
            item['country'] = a.xpath('.//div[@class="m-v-sm info"]/span[1]/text()').get()
            item['time'] = a.xpath('.//div[@class="m-v-sm info"]/span[3]/text()').get()
            item['date'] = a.xpath('.//div[@class="m-v-sm info"][2]/span/text()').get()
            url = a.xpath('.//a[@class="name"]/@href').get()
            yield Request(url=response.urljoin(url), callback=self.parse_person, meta={'item': item})

    def parse_person(self, response):
        item = response.meta['item']
        item['director'] = response.xpath('//div[@class="directors el-row"]//p[@class="name text-center m-b-none m-t-xs"]/text()').get()
        yield item

略微扭转一下写法，在 start_requests 中进行登录动作，scrapy 会主动解决 cookie，所以在回调函数中进行失常的翻页爬取就能够了。前面的代码都是一样的，只是数据库更改成了 Mongo。

残缺代码详见 https://github.com/libra146/learnscrapy/tree/login2

login3 阐明如下：

对接 JWT 模仿登录形式，适宜用作 JWT 模仿登录练习。

用到了 JWT，关上控制台开始抓包。

一共三个 xhr 申请，一个登录申请，一个 301 跳转，一个获取数据的申请，先看登录申请。

同样的 form 表单提交账号密码，提交后服务器返回了一个超长的 token，看字符串构造（三段式，用两个 . 隔开）返回的是 JWT 没错了。

看下一个申请，JWT 被放在了申请头中，依照格局在中间件中批改申请头即可。

class Login3(scrapy.Spider):
    name = 'login3'
    jwt = ''
    offset = 0
    limit = 18
    url = f'https://login3.scrape.center/api/book/?limit={limit}&offset=%s'

    def start_requests(self):
        # 增加须要提交的表单参数
        yield scrapy.FormRequest(url='https://login3.scrape.center/api/login', callback=self.parse,
                                 formdata={'username': 'admin', 'password': 'admin'})

    def parse(self, response, **kwargs):
        result = response.json()
        # 从响应中获取到 jwt
        if 'token' in result:
            self.jwt = result['token']
        # 从起始页面开始爬取
        yield scrapy.Request(url=self.url % self.offset, callback=self.parse_page)

    def parse_page(self, response, **kwargs):
        result = response.json()
        print(response.url)
        for a in result['results']:
            item = Login3ScrapyItem()
            item['title'] = a['name']
            item['author'] = '/'.join([c.strip() for c in (a['authors'] or [])])
            yield Request(url=f'https://login3.scrape.center/api/book/{a["id"]}/', callback=self.parse3,
                          meta={'item': item})
        if int(result['count']) > self.offset:
            self.offset += self.limit
            yield Request(url=self.url % self.offset, callback=self.parse_page)

    def parse3(self, response):
        item = response.meta['item']
        result = response.json()
        item['price'] = result['price'] or 0
        item['time'] = result['published_at']
        item['press'] = result['publisher']
        item['page'] = result['page_number']
        item['isbm'] = result['isbn']
        yield item

和 login2 一样应用 FormRequest 提交表单，在回调函数中解析 JWT，保存起来，而后失常翻页爬取，别忘记计算偏移和更新偏移。

class Login3DownloaderMiddleware:
    # Not all methods need to be defined. If a method is not defined,
    # scrapy acts as if the downloader middleware does not modify the
    # passed objects.

    @classmethod
    def from_crawler(cls, crawler):
        # This method is used by Scrapy to create your spiders.
        s = cls()
        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
        return s

    def process_request(self, request, spider):
        # Called for each request that goes through the downloader
        # middleware.

        # Must either:
        # - return None: continue processing this request
        # - or return a Response object
        # - or return a Request object
        # - or raise IgnoreRequest: process_exception() methods of
        #   installed downloader middleware will be called
        # 因为第一个登录申请是不须要 jwt 的，这时候实际上也没有申请到 jwt，所以判断一下
        if spider.jwt:
            request.headers.update({'authorization': f'jwt {spider.jwt}'})
        return None

    def process_response(self, request, response, spider):
        # Called with the response returned from the downloader.

        # Must either;
        # - return a Response object
        # - return a Request object
        # - or raise IgnoreRequest
        return response

    def process_exception(self, request, exception, spider):
        # Called when a download handler or a process_request()
        # (from other downloader middleware) raises an exception.

        # Must either:
        # - return None: continue processing this exception
        # - return a Response object: stops process_exception() chain
        # - return a Request object: stops process_exception() chain
        pass

    def spider_opened(self, spider):
        spider.logger.info('Spider opened: %s' % spider.name)

接下来的每个申请都须要在申请头中增加 JWT 参数，所以须要在下载中间件中为每个申请增加申请头，别忘了在设置中启用下载中间件。

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {'learnscrapy.middlewares.Login3DownloaderMiddleware': 543,}

设置好所有之后就能够失常爬取了。

残缺代码详见 https://github.com/libra146/learnscrapy/tree/login3

以上为三个须要登录的网站应用 scrapy 爬取的案例，通过案例能够学习到应用 scrapy 登录的办法和 scrapy 能够主动解决 cookie，并且能够通过中间件来批改每个申请的申请头，其中还有一个网站波及到了 JS 逆向的内容。

https://docs.scrapy.org/en/latest/index.html

关于python:scrapy学习之爬虫练习平台3

前言

环境筹备

开始爬取

login1

login2

login3

总结

参考链接

Just My Socks（注册教程内含优惠码）

关于python:scrapy学习之爬虫练习平台3

前言

环境筹备

开始爬取

login1

login2

login3

总结

参考链接

Just My Socks（注册教程 内含优惠码）

Just My Socks（注册教程内含优惠码）