Java爬虫（三）-- httpClient 模拟登录 + cookie 登录状态管理

前言

前面两章内容阐述了httpClient怎么模拟Http请求和如何解析页面。

接下去会讲在一些实战中遇到的问题。

现在回到我的开发摸索之路，之前说到我所爬取的网页是某个险企提供给合作公司的一个页面，通过账号登录然后爬取指定的数据。

这里就出现本章要写的主题了。模拟登录。

image

我首先确认登录验证的请求所需要携带的参数：

image

可以看到，登录需要验证码，并且密码不是明文传输的，而是通过前端js加密过后产生的，并且每次都会不一样，所以要模拟这个加密的过程。还有一些别的参数，是可以在页面上解析出来的。

实战

我觉得里面困难的地方是验证码识别，和怎么模拟前端js加密。

验证码

关于验证码识别的解决方案，有很多种，复杂的可以用图像识别算法，有钱的可以直接上接口，由于我只是想先将功能实现，所以就采用了最简单的方式，把验证码图像下载到本地，手动输入。

image

这里面要提一下，httpClient有自动管理cookie的功能，什么意思呢，就是说你只要用httpClient模拟登录成功之后，你的后续操作就是无须再登录了，只需要隔一段时间再去用这个cookie请求一次，保持这个登录的cookie不失效即可。

访问登录页面之后，去登录页面中解析出验证码图片的src，或者是模拟页面重新发起一次请求验证码的请求，得到服务器端返回的编码过后的imgSrc，一般是base64编码的，然后通过解码下载到本地，具体代码如下。

String imgStr = "..."; // 可以是从页面解析，也可以是模拟刷新验证码请求得到的
// 这里也需要注意，要先截去前缀
SpiderHttpUtils.GenerateImage(StringUtils.substringAfter(codeImgSrc, "data:image/jpg;base64,"));

public static boolean GenerateImage(String imgStr)
    {//对字节数组字符串进行Base64解码并生成图片
        if (imgStr == null) //图像数据为空
            return false;
        BASE64Decoder decoder = new BASE64Decoder();
        try
        {
            //Base64解码
            byte[] b = decoder.decodeBuffer(imgStr);
            for(int i=0;i< b.length;++i)
            {
                if(b[i]< 0)
                {//调整异常数据
                    b[i]+=256;
                }
            }
            //生成jpeg图片
            String imgFilePath = "...";//新生成的图片
            OutputStream out = new FileOutputStream(imgFilePath);
            out.write(b);
            System.out.println("生成成功");
            out.flush();
            out.close();
            return true;
        }
        catch (Exception e)
        {
            return false;
        }
    }

js模拟加密

至于怎么模拟js加密，我用了一个java自带的ScriptEngine，内容较多，在下一章具体介绍吧。

模拟登录，保持登录状态

登录所需的五个参数appId、username、password、randCodeId、code、clientCallback、username已知，appId和randCodeId可从登录页面解析出来，code手动输入，clientCallback为空，至此参数已经都可以模拟出来。

之后只需要按照表单提交的方式模拟，上一章有提到的，就登录成功了。

但是登录成功之后不代表就结束了，因为我要实现的是多账号轮流抓取，并且一次登录成功之后接下去就通过cookie机制来保持登录状态。

也就是说，每个账号登录成功之后的cookie都要保存下来，接下去涉及到了cookie管理的知识。

cookie管理

httpClient里默认自动管理cookie，如果想要提取cookie或者发送自定义的cookie，则需要在httpClient对象初始化时设置一个默认的cookiestore来保存。如下图

public class SpiderHttpUtils {

    private static CloseableHttpClient httpClient;

    private static BasicCookieStore cookieStore;

    static {
        cookieStore  = new BasicCookieStore();
        httpClient = HttpClients.custom()
                .setDefaultCookieStore(cookieStore)
                .build();
    }
}

常见的命令

    // get all cookies
    List list = cookieStore.getCookies();
    System.out.println("All Cookies:");
        for (Cookie cookie : list) {
        System.out.println(cookie);
    }

    // 清除所有cookie
    cookieStore.clear();

    //  发送自定义cookie：（new了一个对象之后可以设置多种属性。）
    BasicClientCookie cookie = new BasicClientCookie("name", "value");
    // new a cookie
    cookie.setDomain("domain");
    cookie.setExpiryDate(new Date());
    // set the properties of the cookie
    cookieStore.addCookie(cookie);