最近应朋友要求，帮忙爬取了小红书创作平台的数据，感觉整个过程很有意思，因此记录一下。在这之前自己没怎么爬过需要账户登录的网站数据，所以刚开始去看小红书的登录认证时一头雾水，等到一步步走下来，最终成功，思路通了感觉其实还是很简单。
解决思路
一开始我就只有这么一个网址小红书创作平台，和登录账号、密码，然后经过数次试错分析，最终拿出了解决方案。要爬取这个平台的数据，最核心的就是使用python模拟浏览器登录进去。探索过程：
1、在登陆界面点击用密码登录，输入账号密码验证码，通过chrome调试工具查看请求的header会发现，登录时是通过POST方式，请求的实际地址是：http://post.xiaohongshu.com/web_api/sns/v1/homerus/user/login_with_passwd，登录需要的参数有五个，分别是账号、密码、token、captcha(图片验证码)、zone值，其中zone是指你所在的国家的区号，例如中国为+86，因此值为86。那么这里处理比较困难的就是token和captcha。
2、token哪里来的？是什么值？captcha是图片验证码，怎么处理？我发现进行在登陆界面点击用密码登录这个操作时，实际进行了一次GET请求，请求的地址http://post.xiaohongshu.com/api/homerus/login/captcha，并且返回了两个数据：一个是token，还有一个是验证码图片链接。怎么样？有没有很开心，需要什么就来什么。
3、因为每次登录token和captcha都会刷新，因此代码里面不能写死。那么对于captcha我的处理方式就是把图片下载下来，手动在程序中输入验证码作为参数；那token呢？token我已经获取了啊，直接作为参数即可！
因此解决该模拟登录过程一共三步：一、通过get请求登陆界面获取token和图片验证码；二、token直接作为参数，验证码手动输入，加上账号、密码、区号作为post请求登录的参数；三、登陆成功后的response header里有我们需要的cookie，将其取出拼到新的request header里，请求要爬取数据的页面，成功获取数据！
实现过程
具体代码实现就是按照上述思路的，我进行了注释，不再多做说明。
''' 第一步 ''' cookie = cookielib.CookieJar() handler = urllib2.HTTPCookieProcessor(cookie) opener = urllib2.build_opener(handler) r=requests.get('http://post.xiaohongshu.com/api/homerus/login/captcha') token = json.loads(r.text)['data']['token'] # get请求到的token #print token img_url=json.loads(r.text)['data']['url'] picture = opener.open(img_url).read() local = open('F:/code.jpg', 'wb') # 保存验证码到本地 local.write(picture) local.close() ''' 第二步 ''' secret_code = raw_input('输入验证码： ') login_data = { 'phone': '136****0000', 'passwd': 'XXXXXXXXXXXX', 'token': token, # 获取的token 'captcha': secret_code, # 手动输入的验证码 'zone': '86' } headers = {'content-type': 'application/json'} # payload请求方式 res = requests.post('http://post.xiaohongshu.com/web_api/sns/v1/homerus/user/login_with_passwd' ,data=json.dumps(login_data),headers=headers) # 模拟登录 header={ ''' 第三步 ''' 'Accept': 'application / json, text / plain', 'Connection': 'keep - alive', 'Cookie': res.headers['Set-Cookie'].replace(' Path=/','')+'xhs_spid.6d29=21fa0111a09b6c3c' '1516671392.1.15166716811516671392.6d3c3921-2e47-4cbe-b695-698499ac4636; xhs_spses.6d29=*', # 登录成功的cookie拼装在header 'Referer': 'http: // post.xiaohongshu.com /', 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36' } resp = requests.get('http://post.xiaohongshu.com/web_api/sns/v1/homerus/note/list?page=1&page_size=200',headers=header) data = json.loads(resp.text) # 成功获取数据
最终，我成功获取到如下所示的数据集。
网上有很多模拟登录微博豆瓣等网站的教程和代码，但小红书这个平台貌似不太受用，这个思路对于很多需要登陆才能查看数据的网站都应该有帮助，因此分享在这里供参考。