爬虫笔记（一）：实战登录古诗文网站

需求：登录古诗文网站，账号＋密码＋图形验证码

第一：自己注册一个账号＋密码哈
第二：图形验证码，需要一个打码平台（充钱，超能力power！）或者tesseract开源包，这两个用于自动识别图形验证码哈~
我用的是超级鹰，充了1块，有1000积分，一次10积分，初学者福音hhhhh

在软件ID随便填一下软件名称和说明，获取软件key
然后点击首页，首页的菜单栏处有个开发文档，来到这个页面，然后找到python的Demo，get一个压缩包~

压缩包里有一个chaojiying.py，把它复制到自己的项目里~

第三：开始码

1. 调用chaojiying.py

把Chaojiying_Client中的三个参数替换成自己的即可，其中filePath是后续保存下来的验证码图片的路径~

from chaojiying import Chaojiying_Client

def getCode(filePath):
    c = Chaojiying_Client('超级鹰的账号', '超级鹰的密码', '软件Key')
    im = open(filePath, 'rb').read()
    return c.PostPic(im, 1902)['pic_str']

2. 获取验证码（还没到登录那一步哈）

headers = {
	'User-Agent': 'xxx'
}
url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.aspx'
# 发送请求
page_text = requests.get(url=url, headers=headers).text
# 获取页面源码
page_tree = etree.HTML(page_text)
# 获取验证码路径及验证码本体
# 通过page_tree.xpath('//*[@id="imgCode"]/@src')[0]可以获取验证码标签中的src属性，即验证码的路径
# 但验证码真实路径如下~
img_src = "https://so.gushiwen.cn" + page_tree.xpath('//*[@id="imgCode"]/@src')[0]
img_data = session.get(url=img_src, headers=headers).content
# 将验证码保存至同级code.jpg
with open('./code.jpg', 'wb') as f:
	f.write(img_data)
# 调用超级鹰，获取code
code = getCode('./code.jpg')

在浏览器按下F12，可以看到页面的源码信息，找到验证码对应的盒子，可以看到其src属性。标签右键，copy->copy xpath即可得到验证码路径，拼接在官网地址后就是代码中的img_src啦
至于xpath是啥，其实还没有学到那里，当当好在学习xpath的时候突然想打通一套登录流程，但大概理解xpath就是可以动态获取某个标签或元素属性的东西叭（超小声）

3. 实战登录

在官网登录之后，打开开发者工具f12，找到如图所示的Payload，这就是访问登陆后的页面时的请求参数，共7个，其中只有__VIEWSTATE、__VIEWSTATEGENERATOR和code是动态变化的（碎碎念，一开始不知道__VIEWSTATE和__VIEWSTATEGENERATOR是啥，导致发送请求，一直提示错误，大哭出声）

现在code已经有了，那__VIEWSTATE和__VIEWSTATEGENERATOR咋获取嘞
老规矩，获取这两玩应的xpath路径
还是，在源代码中找到这两，然后右键copy->copy xpath

完整代码如下：

import re, os
import requests
from lxml import etree

from chaojiying import Chaojiying_Client


def getCode(filePath):
    c = Chaojiying_Client('超级鹰的账号', '超级鹰的密码', '软件Key')
    im = open(filePath, 'rb').read()
    return c.PostPic(im, 1902)['pic_str']

"""
    获取验证码
"""
if __name__ == "__main__":
    session = requests.Session()
    headers = {
        'User-Agent': 'xxx'
    }
    url = 'https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.aspx'
    # 先获取验证码
    page_text = requests.get(url=url, headers=headers).text
    page_tree = etree.HTML(page_text)
    # 获取__VIEWSTATE和__VIEWSTATEGENERATOR
    viewstate = page_tree.xpath('//*[@id="__VIEWSTATE"]')[0]
    viewagent = page_tree.xpath('//*[@id="__VIEWSTATEGENERATOR"]')[0]

    img_src = "https://so.gushiwen.cn" + page_tree.xpath('//*[@id="imgCode"]/@src')[0]
    img_data = session.get(url=img_src, headers=headers).content
    with open('./code.jpg', 'wb') as f:
        f.write(img_data)
    # f.close()
    code = getCode('./code.jpg')
    print(code)
    # os.remove('code.jpg')
    params = {
        '__VIEWSTATE': viewstate,
        '__VIEWSTATEGENERATOR': viewagent,
        'from': 'http://so.gushiwen.cn/user/collect.aspx',
        'email': 'xxx',
        'pwd': 'xxx',
        'code': code,
        'denglu': '登录'
    }
    page_text = session.post(url=url, data=params, headers=headers).text

    with open('./gushi.html', 'w', encoding='utf-8') as f:
        f.write(page_text)

总结：生活越来越有判头了nie